MySQL - 常用排序规则utf8mb4_general_ci、utf8mb4_unicode_ci、utf8mb4_bin、utf8mb4_0900_ai_ci和存储字符集 utf8 和 utf8_utf8mb4_general_ci utf8mb4_bin

在创建数据库时，我们经常会需要填写数据库名、字符集、排序规则

常用的存储字符集 utf8 和 utf8mb4

排序字符集 utf8mb4_unicode_ci 和 utf8mb4_general_ci、utf8mb4_bin、utf8mb4_0900_ai_ci

一、存储字符集 utf8 和 utf8mb4

1、utf8

utf8 是 Mysql 中的一种字符集，只支持最长三个字节的 UTF-8 字符，也就是 Unicode 中的基本多文本平面

2、utf8mb4

要在 Mysql 中保存 4 字节长度的 UTF-8 字符，需要使用 utf8mb4 字符集，但只有 5.5.3 版本以后的才支持。我觉得，为了获取更好的兼容性，应该总是使用 utf8mb4 而非 utf8。对于 CHAR 类型数据，utf8mb4 会多消耗一些空间，根据 Mysql 官方建议，使用 VARCHAR 替代 CHAR

总结：

UTF-8是使用1~4个字节，一种变长的编码格式，字符编码。mb4即 most bytes 4，使用4个字节来表示完整的UTF-8

mysql的 utf8 编码最大字符长度为 3 字节，如果遇到 4 字节的宽字符就会插入异常了。三个字节的 UTF-8 最大能编码的 Unicode 字符是 0xffff，也就是 Unicode 中的基本多文种平面(BMP)。也就是说，任何不在基本多文本平面的 Unicode字符，都无法使用 Mysql 的 utf8 字符集存储。包括 Emoji 表情(Emoji 是一种特殊的 Unicode 编码，常见于 ios 和 android 手机上)，和很多不常用的汉字，以及任何新增的 Unicode 字符等等

MySQL的utf8是utfmb3，只有三个字节，节省空间但不能表达全部的UTF-8。所以推荐使用utf8mb4（是utf8的超集并完全兼容它，能够用四个字节存储更多的字符，这几乎包含了世界上所有能看到见的语言。）。

二、排序字符集

utf8mb4_unicode_ci 和 utf8mb4_general_ci、utf8mb4_bin、utf8mb4_0900_ai_ci

MySQL常用排序规则utf8mb4_general_ci、utf8mb4_unicode_ci、utf8mb4_bin_ci

ci 是 case insensitive，不区分大小写，即 "大小写不敏感", a 和 A 会在字符判断中会被当做一样的。
bin 是二进制, a 和 A 会别区别对待（例如运行SELECT * FROM table WHERE txt = 'a'， 那么在utf8mb4_bin中就找不到 txt = 'A' 的那一行, 而 utf8mb4_general_ci 则可以）

1、utf8mb4_unicode_ci：

是基于标准的Unicode来排序和比较，能够在各种语言之间精确排序，Unicode排序规则为了能够处理特殊字符的情况，实现了略微复杂的排序算法

2、utf8mb4_general_ci：

是一个遗留的 校对规则，不支持扩展，它仅能够在字符之间进行逐个比较

不区分大小写， utf8mb4_general_cs 区分大小写

utf8_general_ci校对规则进行的比较速度很快，但是与使用 utf8mb4_unicode_ci的校对规则相比，比较正确性较差

3、utf8mb4_bin：

将字符串每个字符用二进制数据编译存储，区分大小写，而且可以存二进制的内容

4、utf8mb4_0900_ai_ci：

MySQL 8.0 默认的是 utf8mb4_0900_ai_ci，属于 utf8mb4_unicode_ci 中的一种，具体含义如下

uft8mb4 表示用 UTF-8 编码方案，每个字符最多占 4 个字节

0900 指的是 Unicode 校对算法版本（Unicode 归类算法是用于比较符合 Unicode 标准要求的两个 Unicode 字符串的方法）

ai 指的是口音不敏感。也就是说，排序时 e，è，é，ê 和 ë 之间没有区别

ci 表示不区分大小写。也就是说，排序时 p 和 P 之间没有区别

utf8mb4 已成为默认字符集，在 MySQL 8.0.1 及更高版本中将 utf8mb4_0900_ai_ci 作为默认排序规则

以前，utf8mb4_general_ci 是默认排序规则。由于 utf8mb4_0900_ai_ci 排序规则现在是默认排序规则，因此默认情况下新表格可以存储基本多语言平面之外的字符。现在可以默认存储表情符号。如果需要重音灵敏度和区分大小写，则可以使用 utf8mb4_0900_as_cs 代替。

utf8mb4_unicode_ci 和 utf8mb4_general_ci 的区别

1、准确性

utf8mb4_unicode_ci 是基于标准的 Unicode 来排序和比较，能够在各种语言之间精确排序

utf8mb4_general_ci 没有实现 Unicode 排序规则，在遇到某些特殊语言或者字符集，排序结果可能不一致

但是绝大多数情况下，这些特殊字符的顺序并不需要那么精确

2、性能

utf8mb4_general_ci 在比较和排序的时候更快

utf8mb4_unicode_ci 在特殊情况下，Unicode 排序规则为了能够处理特殊字符的情况，实现了略微复杂的排序算法。

但是在绝大多数情况下，不会发生此类复杂比较。相比选择哪一种 collation，使用者更应该关心字符集与排序规则在 db 里需要统一

【1】对于一种语言仅当使用 utf8mb4_unicode_ci 排序做的不好时，才执行与具体语言相关的utf8mb4字符集校对规则。例如，对于德语和法语，utf8mb4_unicode_ci工作的很好，因此不再需要为这两种语言创建特殊的utf8mb4校对规则

【2】utf8mb4_general_ci 也适用德语、法语或者俄语，但会有不准。如果你的应用能够接受这些，那么应该使用 utf8mb4_general_ci，因为它速度快。否则，使用utf8mb4_unicode_ci，因为它比较准确

虽然推荐用 utf8mb4_unicode_ci，但是用 utf8mb4_general_ci 也没啥问题

因为utf8mb4_unicode_ci比较准确，utf8mb4_general_ci速度比较快。通常情况下，新建数据库 和 建 varchar字符集类型字段 时一般选用 utf8mb4_general_ci 就可以