字符集和排序规则
本文介绍了 TiDB 中支持的字符集和排序规则。
字符集和排序规则的概念
字符集 (character set) 是符号与编码的集合。TiDB 中的默认字符集是 utf8mb4
,与 MySQL 8.0 及更高版本中的默认字符集匹配。
排序规则 (collation) 是在字符集中比较字符以及字符排序顺序的规则。例如,在二进制排序规则中,比较 A
和 a
的结果是不一样的:
SET NAMES utf8mb4 COLLATE utf8mb4_bin;
SELECT 'A' = 'a';
SET NAMES utf8mb4 COLLATE utf8mb4_general_ci;
SELECT 'A' = 'a';
SELECT 'A' = 'a';
+-----------+
| 'A' = 'a' |
+-----------+
| 0 |
+-----------+
1 row in set (0.00 sec)
SET NAMES utf8mb4 COLLATE utf8mb4_general_ci;
Query OK, 0 rows affected (0.00 sec)
SELECT 'A' = 'a';
+-----------+
| 'A' = 'a' |
+-----------+
| 1 |
+-----------+
1 row in set (0.00 sec)
支持的字符集和排序规则
目前 TiDB 支持以下字符集:
SHOW CHARACTER SET;
+---------+-------------------------------------+-------------------+--------+
| Charset | Description | Default collation | Maxlen |
+---------+-------------------------------------+-------------------+--------+
| ascii | US ASCII | ascii_bin | 1 |
| binary | binary | binary | 1 |
| gbk | Chinese Internal Code Specification | gbk_bin | 2 |
| latin1 | Latin1 | latin1_bin | 1 |
| utf8 | UTF-8 Unicode | utf8_bin | 3 |
| utf8mb4 | UTF-8 Unicode | utf8mb4_bin | 4 |
+---------+-------------------------------------+-------------------+--------+
6 rows in set (0.00 sec)
TiDB 支持以下排序规则:
SHOW COLLATION;
+--------------------+---------+------+---------+----------+---------+
| Collation | Charset | Id | Default | Compiled | Sortlen |
+--------------------+---------+------+---------+----------+---------+
| ascii_bin | ascii | 65 | Yes | Yes | 1 |
| binary | binary | 63 | Yes | Yes | 1 |
| gbk_bin | gbk | 87 | | Yes | 1 |
| gbk_chinese_ci | gbk | 28 | Yes | Yes | 1 |
| latin1_bin | latin1 | 47 | Yes | Yes | 1 |
| utf8_bin | utf8 | 83 | Yes | Yes | 1 |
| utf8_general_ci | utf8 | 33 | | Yes | 1 |
| utf8_unicode_ci | utf8 | 192 | | Yes | 1 |
| utf8mb4_0900_ai_ci | utf8mb4 | 255 | | Yes | 1 |
| utf8mb4_0900_bin | utf8mb4 | 309 | | Yes | 1 |
| utf8mb4_bin | utf8mb4 | 46 | Yes | Yes | 1 |
| utf8mb4_general_ci | utf8mb4 | 45 | | Yes | 1 |
| utf8mb4_unicode_ci | utf8mb4 | 224 | | Yes | 1 |
+--------------------+---------+------+---------+----------+---------+
13 rows in set (0.00 sec)
利用以下的语句可以查看字符集对应的排序规则(以下是新的排序规则框架)下的结果:
SHOW COLLATION WHERE Charset = 'utf8mb4';
+--------------------+---------+------+---------+----------+---------+
| Collation | Charset | Id | Default | Compiled | Sortlen |
+--------------------+---------+------+---------+----------+---------+
| utf8mb4_0900_ai_ci | utf8mb4 | 255 | | Yes | 1 |
| utf8mb4_0900_bin | utf8mb4 | 309 | | Yes | 1 |
| utf8mb4_bin | utf8mb4 | 46 | Yes | Yes | 1 |
| utf8mb4_general_ci | utf8mb4 | 45 | | Yes | 1 |
| utf8mb4_unicode_ci | utf8mb4 | 224 | | Yes | 1 |
+--------------------+---------+------+---------+----------+---------+
5 rows in set (0.00 sec)
TiDB 对 GBK 字符集的支持详情见 GBK。
TiDB 中的 utf8
和 utf8mb4
MySQL 限制字符集 utf8
为最多 3 个字节。这足以存储在基本多语言平面 (BMP) 中的字符,但不足以存储表情符号 (emoji) 等字符。因此,建议改用字符集utf8mb4
。
默认情况下,TiDB 同样限制字符集 utf8
为最多 3 个字节,以确保 TiDB 中创建的数据可以在 MySQL 中顺利恢复。你可以禁用此功能,方法是将系统变量 tidb_check_mb4_value_in_utf8
的值更改为 OFF
。
以下示例演示了在表中插入 4 字节的表情符号字符(emoji 字符)时的默认行为。utf8
字符集下 INSERT
语句不能执行,utf8mb4
字符集下可以执行 INSERT
语句:
CREATE TABLE utf8_test (
c char(1) NOT NULL
) CHARACTER SET utf8;
Query OK, 0 rows affected (0.09 sec)
CREATE TABLE utf8m4_test (
c char(1) NOT NULL
) CHARACTER SET utf8mb4;
Query OK, 0 rows affected (0.09 sec)
INSERT INTO utf8_test VALUES ('😉');
ERROR 1366 (HY000): incorrect utf8 value f09f9889(😉) for column c
INSERT INTO utf8m4_test VALUES ('😉');
Query OK, 1 row affected (0.02 sec)
SELECT char_length(c), length(c), c FROM utf8_test;
Empty set (0.01 sec)
SELECT char_length(c), length(c), c FROM utf8m4_test;
+----------------+-----------+------+
| char_length(c) | length(c) | c |
+----------------+-----------+------+
| 1 | 4 | 😉 |
+----------------+-----------+------+
1 row in set (0.00 sec)
不同范围的字符集和排序规则
字符集和排序规则可以在设置在不同的层次。
数据库的字符集和排序规则
每个数据库都有相应的字符集和排序规则。数据库的字符集和排序规则可以通过以下语句来设置:
CREATE DATABASE db_name
[[DEFAULT] CHARACTER SET charset_name]
[[DEFAULT] COLLATE collation_name]
ALTER DATABASE db_name
[[DEFAULT] CHARACTER SET charset_name]
[[DEFAULT] COLLATE collation_name]
在这里 DATABASE
可以跟 SCHEMA
互换使用。
不同的数据库之间可以使用不一样的字符集和排序规则。
通过系统变量 character_set_database
和 collation_database
可以查看到当前数据库的字符集以及排序规则:
CREATE SCHEMA test1 CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci;
Query OK, 0 rows affected (0.09 sec)
USE test1;
Database changed
SELECT @@character_set_database, @@collation_database;
+--------------------------|----------------------+
| @@character_set_database | @@collation_database |
+--------------------------|----------------------+
| utf8mb4 | utf8mb4_general_ci |
+--------------------------|----------------------+
1 row in set (0.00 sec)
CREATE SCHEMA test2 CHARACTER SET latin1 COLLATE latin1_bin;
Query OK, 0 rows affected (0.09 sec)
USE test2;
Database changed
SELECT @@character_set_database, @@collation_database;
+--------------------------|----------------------+
| @@character_set_database | @@collation_database |
+--------------------------|----------------------+
| latin1 | latin1_bin |
+--------------------------|----------------------+
1 row in set (0.00 sec)
在 INFORMATION_SCHEMA 中也可以查看到这两个值:
SELECT DEFAULT_CHARACTER_SET_NAME, DEFAULT_COLLATION_NAME
FROM INFORMATION_SCHEMA.SCHEMATA WHERE SCHEMA_NAME = 'db_name';
表的字符集和排序规则
表的字符集和排序规则可以通过以下语句来设置:
CREATE TABLE tbl_name (column_list)
[[DEFAULT] CHARACTER SET charset_name]
[COLLATE collation_name]]
ALTER TABLE tbl_name
[[DEFAULT] CHARACTER SET charset_name]
[COLLATE collation_name]
例如:
CREATE TABLE t1(a int) CHARACTER SET utf8mb4 COLLATE utf8mb4_general_ci;
Query OK, 0 rows affected (0.08 sec)
如果表的字符集和排序规则没有设置,那么数据库的字符集和排序规则就作为其默认值。在仅指定字符集为 utf8mb4
,但未设置排序规则时,排序规则为变量 default_collation_for_utf8mb4
指定的值。
列的字符集和排序规则
列的字符集和排序规则的语法如下:
col_name {CHAR | VARCHAR | TEXT} (col_length)
[CHARACTER SET charset_name]
[COLLATE collation_name]
col_name {ENUM | SET} (val_list)
[CHARACTER SET charset_name]
[COLLATE collation_name]
如果列的字符集和排序规则没有设置,那么表的字符集和排序规则就作为其默认值。在仅指定字符集为 utf8mb4
,但未设置排序规则时,排序规则为变量 default_collation_for_utf8mb4
指定的值。
字符串的字符集和排序规则
每一个字符串都对应一个字符集和一个排序规则,在使用字符串时指此选项可选,如下:
[_charset_name]'string' [COLLATE collation_name]
示例如下:
SELECT 'string';
SELECT _utf8mb4'string';
SELECT _utf8mb4'string' COLLATE utf8mb4_general_ci;
规则如下:
- 规则 1:如果指定了
CHARACTER SET charset_name
和COLLATE collation_name
,则直接使用charset_name
字符集和collation_name
排序规则。 - 规则 2:如果指定了
CHARACTER SET charset_name
且未指定COLLATE collation_name
,则使用charset_name
字符集和charset_name
对应的默认排序规则。 - 规则 3:如果
CHARACTER SET charset_name
和COLLATE collation_name
都未指定,则使用character_set_connection
和collation_connection
系统变量给出的字符集和排序规则。
客户端连接的字符集和排序规则
- 服务器的字符集和排序规则可以通过系统变量
character_set_server
和collation_server
获取。 - 数据库的字符集和排序规则可以通过环境变量
character_set_database
和collation_database
获取。
对于每一个客户端的连接,也有相应的变量表示字符集和排序规则:character_set_connection
和 collation_connection
。
character_set_client
代表客户端的字符集。在返回结果前,服务端会把结果根据 character_set_results
转换成对应的字符集,包括结果的元信息等。
可以用以下的语句来影响这些跟客户端相关的字符集变量:
SET NAMES 'charset_name' [COLLATE 'collation_name']
SET NAMES
用来设定客户端会在之后的请求中使用的字符集。SET NAMES utf8mb4
表示客户端会在接下来的请求中,都使用 utf8mb4 字符集。服务端也会在之后返回结果的时候使用 utf8mb4 字符集。SET NAMES 'charset_name'
语句其实等于下面语句的组合:SET character_set_client = charset_name; SET character_set_results = charset_name; SET character_set_connection = charset_name;COLLATE
是可选的,如果没有提供,将会用charset_name
对应的默认排序规则设置collation_connection
。SET CHARACTER SET 'charset_name'
跟
SET NAMES
类似,等价于下面语句的组合:SET character_set_client = charset_name; SET character_set_results = charset_name; SET character_set_connection=@@character_set_database; SET collation_connection = @@collation_database;
服务器、数据库、表、列、字符串的字符集和排序规则的优先级
优先级从高到低排列顺序为:
字符串 > 列 > 表 > 数据库 > 服务器
字符集和排序规则的通用选择规则
- 规则 1:如果指定了
CHARACTER SET charset_name
和COLLATE collation_name
,则直接使用charset_name
字符集和collation_name
排序规则。 - 规则 2:如果指定了
CHARACTER SET charset_name
且未指定COLLATE collation_name
,则使用charset_name
字符集和charset_name
对应的默认排序规则。 - 规则 3:如果
CHARACTER SET charset_name
和COLLATE collation_name
都未指定,则使用更高优先级的字符集和排序规则。
字符合法性检查
当指定的字符集为 utf8 或 utf8mb4 时,TiDB 仅支持合法的 utf8 字符。对于不合法的字符,会报错:incorrect utf8 value
。该字符合法性检查与 MySQL 8.0 兼容,与 MySQL 5.7 及以下版本不兼容。
如果不希望报错,可以通过 set @@tidb_skip_utf8_check=1;
跳过字符检查。
排序规则支持
排序规则的语法支持和语义支持受到配置项 new_collations_enabled_on_first_bootstrap
的影响。这里语法支持和语义支持有所区别。语法支持是指 TiDB 能够解析和设置排序规则;而语义支持是指 TiDB 能够在比较字符串时正确地使用排序规则。
在 4.0 版本之前,TiDB 只提供了旧的排序规则框架,能够在语法上支持的绝大部分 MySQL 排序规则,但语义上所有的排序规则都当成二进制排序规则。
4.0 版本中,TiDB 增加了新的排序规则框架用于在语义上支持不同的排序规则,保证字符串比较时严格遵循对应的排序规则,详情请见下文。
旧框架下的排序规则支持
在 4.0 版本之前,TiDB 中可以指定大部分 MySQL 中的排序规则,并把这些排序规则按照默认排序规则处理,即以编码字节序为字符定序。和 MySQL 不同的是,TiDB 不会处理字符末尾的空格,因此会造成以下的行为区别:
CREATE TABLE t(a varchar(20) charset utf8mb4 collate utf8mb4_general_ci PRIMARY KEY);
Query OK, 0 rows affected
INSERT INTO t VALUES ('A');
Query OK, 1 row affected
INSERT INTO t VALUES ('a');
Query OK, 1 row affected
以上语句,在 TiDB 会执行成功,而在 MySQL 中,由于 utf8mb4_general_ci
大小写不敏感,报错 Duplicate entry 'a'
。
INSERT INTO t VALUES ('a ');
Query OK, 1 row affected
以上语句,在 TiDB 会执行成功,而在 MySQL 中,由于补齐空格比较,报错 Duplicate entry 'a '
。
新框架下的排序规则支持
TiDB 4.0 新增了完整的排序规则支持框架,从语义上支持了排序规则,并新增了配置开关 new_collations_enabled_on_first_bootstrap
,在集群初次初始化时决定是否启用新排序规则框架。如需启用新排序规则框架,可将 new_collations_enabled_on_first_bootstrap
的值设为 true
,详情参见 new_collations_enabled_on_first_bootstrap
。
对于一个已经初始化完成的 TiDB 集群,可以通过 mysql.tidb
表中的 new_collation_enabled
变量确认是否启用了新排序规则框架。
SELECT VARIABLE_VALUE FROM mysql.tidb WHERE VARIABLE_NAME='new_collation_enabled';
+----------------+
| VARIABLE_VALUE |
+----------------+
| True |
+----------------+
1 row in set (0.00 sec)
在新的排序规则框架下,TiDB 能够支持 utf8_general_ci
、utf8mb4_general_ci
、utf8_unicode_ci
、utf8mb4_unicode_ci
、utf8mb4_0900_bin
、utf8mb4_0900_ai_ci
、gbk_chinese_ci
和 gbk_bin
这几种排序规则,与 MySQL 兼容。
使用 utf8_general_ci
、utf8mb4_general_ci
、utf8_unicode_ci
、utf8mb4_unicode_ci
、utf8mb4_0900_ai_ci
和 gbk_chinese_ci
中任一种时,字符串之间的比较是大小写不敏感 (case-insensitive) 和口音不敏感 (accent-insensitive) 的。同时,TiDB 还修正了排序规则的 PADDING
行为:
CREATE TABLE t(a varchar(20) charset utf8mb4 collate utf8mb4_general_ci PRIMARY KEY);
Query OK, 0 rows affected (0.00 sec)
INSERT INTO t VALUES ('A');
Query OK, 1 row affected (0.00 sec)
INSERT INTO t VALUES ('a');
ERROR 1062 (23000): Duplicate entry 'a' for key 't.PRIMARY'
TiDB 兼容了 MySQL 的 case insensitive collation。
INSERT INTO t VALUES ('a ');
ERROR 1062 (23000): Duplicate entry 'a ' for key 't.PRIMARY'
TiDB 修正了 PADDING
行为,与 MySQL 兼容。
表达式中排序规则的 Coercibility 值
如果一个表达式涉及多个不同排序规则的子表达式时,需要对计算时用的排序规则进行推断,规则如下:
- 显式
COLLATE
子句的 coercibility 值为0
。 - 如果两个字符串的排序规则不兼容,这两个字符串
concat
结果的 coercibility 值为1
。 - 列或者
CAST()
、CONVERT()
和BINARY()
的排序规则的 coercibility 值为2
。 - 系统常量(
USER()
或者VERSION()
返回的字符串)的 coercibility 值为3
。 - 常量的 coercibility 值为
4
。 - 数字或者中间变量的 coercibility 值为
5
。 NULL
或者由NULL
派生出的表达式的 coercibility 值为6
。
在推断排序规则时,TiDB 优先使用 coercibility 值较低的表达式的排序规则。如果 coercibility 值相同,则按以下优先级确定排序规则:
binary > utf8mb4_bin > (utf8mb4_general_ci = utf8mb4_unicode_ci) > utf8_bin > (utf8_general_ci = utf8_unicode_ci) > latin1_bin > ascii_bin
以下情况 TiDB 无法推断排序规则并报错:
- 如果两个子表达式的排序规则不相同,而且表达式的 coercibility 值都为
0
。 - 如果两个子表达式的排序规则不兼容,而且表达式的返回类型为
String
类。
COLLATE
子句
TiDB 支持使用 COLLATE
子句来指定一个表达式的排序规则,该表达式的 coercibility 值为 0
,具有最高的优先级。示例如下:
SELECT 'a' = _utf8mb4 'A' collate utf8mb4_general_ci;
+-----------------------------------------------+
| 'a' = _utf8mb4 'A' collate utf8mb4_general_ci |
+-----------------------------------------------+
| 1 |
+-----------------------------------------------+
1 row in set (0.00 sec)