MariaDB utf8_general_ci – czy to na pewno najlepszy wybór?

MariaDB to popularna baza danych, która oferuje różne sposoby przechowywania i porównywania tekstu. Jednym z często wybieranych zestawień znaków i porównań jest utf8_general_ci. W tym artykule przyjrzymy się, jak działa to kodowanie, jakie ma ograniczenia i czy warto go używać.

1. Co to jest utf8_general_ci w MariaDB?

W MariaDB każda kolumna tekstowa może mieć określone kodowanie znaków i sposób porównywania wartości. utf8_general_ci to jedno z możliwych ustawień dla danych w formacie UTF-8.

Rozbijmy nazwę na części:

• utf8 – oznacza użycie zestawu znaków UTF-8, który obsługuje międzynarodowe znaki, takie jak polskie ą, ć, ś czy chińskie 汉字.
• general – określa uproszczone reguły sortowania i porównywania tekstu.
• ci (case insensitive) – oznacza, że porównania nie uwzględniają wielkości liter, więc "Test" i "test" są traktowane jako identyczne.

2. Tworzenie tabeli z utf8_general_ci

Domyślnie MariaDB może używać innego zestawu znaków, dlatego warto jawnie określić kodowanie przy tworzeniu tabeli:

CREATE TABLE użytkownicy (
    id INT AUTO_INCREMENT PRIMARY KEY,
    imię VARCHAR(100) CHARACTER SET utf8 COLLATE utf8_general_ci
);

Teraz kolumna imię będzie obsługiwać różne znaki UTF-8 i ignorować wielkość liter przy porównaniach.

3. Jak MariaDB utf8_general_ci wpływa na sortowanie?

Załóżmy, że mamy następujące dane:

INSERT INTO użytkownicy (imię) VALUES ('Anna'), ('Żaneta'), ('adam'), ('Łukasz');

Jeśli wykonamy zapytanie:

SELECT * FROM użytkownicy ORDER BY imię;

Wynik może być zaskakujący:

+----+--------+
| id | imię   |
+----+--------+
|  3 | adam   |
|  1 | Anna   |
|  4 | Łukasz |
|  2 | Żaneta |
+----+--------+

MariaDB traktuje "Ł" i "Ż" jako litery na końcu alfabetu, co może być problemem dla użytkowników stosujących polskie zasady sortowania.

4. Główne wady utf8_general_ci

Choć utf8_general_ci działa poprawnie w wielu przypadkach, ma pewne ograniczenia:

• Nie sortuje poprawnie według lokalnych zasad (np. w języku polskim „Ł” powinno być przed „M”).
• Traktuje niektóre znaki jako równoważne, co może prowadzić do problemów w precyzyjnych wyszukiwaniach.
• Nie obsługuje pełnego zestawu znaków UTF-8 – dla nowoczesnych zastosowań lepszym wyborem jest utf8mb4.

5. Lepsza alternatywa – utf8mb4_unicode_ci

Aby uniknąć problemów z obsługą znaków, warto rozważyć użycie utf8mb4_unicode_ci. Obsługuje on wszystkie znaki Unicode i zapewnia lepsze sortowanie.

CREATE TABLE użytkownicy (
    id INT AUTO_INCREMENT PRIMARY KEY,
    imię VARCHAR(100) CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci
);

Teraz sortowanie będzie dokładniejsze, a baza danych obsłuży także emoji i inne znaki spoza standardowego UTF-8.

6. Konwersja istniejącej tabeli na utf8mb4

Jeśli masz już tabelę w utf8_general_ci i chcesz ją przekonwertować, możesz użyć takiego polecenia:

ALTER TABLE użytkownicy 
CONVERT TO CHARACTER SET utf8mb4 COLLATE utf8mb4_unicode_ci;

Dzięki temu unikniesz problemów z niekompatybilnymi znakami i poprawisz sortowanie.

7. Podsumowanie

utf8_general_ci w MariaDB jest popularnym wyborem, ale nie zawsze najlepszym. Jeśli potrzebujesz poprawnego sortowania i obsługi pełnego zestawu znaków Unicode, lepiej użyć utf8mb4_unicode_ci.

Pamiętaj, że raz podjęta decyzja o kodowaniu wpływa na całą bazę danych. Warto dobrze przemyśleć wybór, aby uniknąć problemów w przyszłości!