Dotaz: mysql

[Mirek L.]

Dobry den, zacinam s mysql a tvorim si novou tabulku pres phpmyadmin. Zde pro kazdy sloupec vybiram "collation". Pochopil jsem, ze to bude asi kodovani textu v tabulce. Chci tam dat utf8, ale tech je tam vice typu, tak by me zajimalo jaky je rozdil mezi temito:

utf8_czech_ci
utf8_general_ci
utf8_unicode_ci

A ktery tedy vybrat.

Odpovědi

[VM]

Rozdil by mel byt v razeni podle textovych polozek (ORDER BY), pokud tabulka obsahuje stringy v cestine tak bych asi dal utf8_czech_ci, jinak to je asi jedno.

[Šangala]

Předem informace: není není třeba collation uvádět u každého sloupce, stačí uvést collation u databáze či u vytváření tabulky.
U sloupce to pak stačí uvést jen u odlišného zvoleného třídění, například pro sloupce s ruštinou.
Collation se při vytváření tabulky dědí z datbáze přes tabulku na sloupec.

• utf8_czech_ci - znaky v UTF8 tříděné podle českých pravidel a normy třídění, které zahrnují i pravidla pro řazení znaků v češtině se nevyskytujících. Jedná se o pro češtinu nejsprávnější volbu, ale nejpomalejší (máme nejsložitější pravidla třídění v evropských jazycích).
• utf8_general_ci - nejrychleší, ale neodpovídající českému řazení, nicméně pro základní abecedu je to nejlepší volba.
• utf8_unicode_ci - o něco lepší než předchozí, ale stále neodpovídající českému řazení.

Pro pochopení rozdílů mezi 2. a 3. viz zde

[faha]

... (máme nejsložitější pravidla třídění v evropských jazycích).

Dalo by se tohle nejak dolozit? Nesnazim se tvrzeni napadat, jen by me zajimali nejake podrobnosti. Diky.

[Šangala]

Jen takto (třeba) :):
česky
něměcky
anglicky
španělsky
italsky

[Šangala]

Anebo testem v MySql :):

Setřídění český měst ve sloupci utf8_bin s indexem a výsledný čas

S použitím clausule COLLATION v ORDER BY.

 utf8_czech_ci     0.0350
 utf8_turkish_ci   0.0330
 utf8_hungarian_ci 0.0330
 utf8_unicode_ci   0.0329
 utf8_swedish_ci   0.0329
 utf8_spanish_ci   0.0329
 utf8_spanish_ci   0.0329
 utf8_general_ci   0.0187 (není průkazné protože sloupec má index utf8_bin)

[faha]

Diky, o te wikipedia jsem fakt nemel tuseni, docela me to tam prekvapilo, ze to tam je.

Hruby test nad mysql jsem mel jako posledni moznost jak to odkouset, diky za ustreni prstu.

[Michal Kubeček]

Zde pro kazdy sloupec vybiram "collation". Pochopil jsem, ze to bude asi kodovani textu v tabulce.

Ostatní už to naznačili, ale spíš předpokládali, že víte, co to je. Collation není kódování, ale označení pro soubor pravidel, jak porovnávat řetězce. Protože stejné kódování může používat více jazyků (iso-8859-1 celá západní Evropa, iso-8859-2 celá střední a východní Evropa píšící latinkou, UTF-8 všichni), ale pro každý jazyk mohou být pravidla porovnávání řetězců jiná; někdy je i víc variant pro stejný jazyk (typicky používá-li se v různých zemích).

Nejčastěji odlišnosti vznikají tak, že některé kombinace znaků se při porovnávání chovají jako "slitek", tj. nedělitelný objekt, kterému se přiřadí určitá pozice v abecedě. Příkladem je třeba "ch" v češtině (pokud byste chtěl řadit úplně podle normy, tak to ani s ním nebude tak jednoduché, ale v praxi se to ignoruje) nebo "ck" či "ss" v němčině. Odtud pochází termín collation, stejně jako LC_COLLATE v locales.

Takže u řetězcových datových typů definujete (na úrovni databáze, tabulky nebo konkrétního sloupce) jednak kódování (z historických důvodů se většinou nepřesně používá termín charset), jednak collation. Pro každé kódování máte ale k dispozici jen z těch collation, které jsou pro něj určena.

[Šangala]

Správná připomínka.
utf8_xxxx_xx jsou předpokládány znaky v kódování utf8 a to xxxx_xx jen říká jak se budou řadit.
ad. „ale v praxi se to ignoruje“ = špatná praxe, a právě collation utf8_czech_ci to zatřídí správně včetně 'CH'.
PS:
Nezapomínat pak v každém dotazu (kde je to třeba) uvést: ORDER BY sloupec, protože bez této clausule je řazení NEdefinované.
U MySQL a typu tabulek MyISAM jakmile mažete a vkládáte, tak vám to bez ORDER BY sloupec bude sypat záznamy, tak jak jsou fyzicky uloženy v souboru, NE podle primárního indexu !!!

[Michal Kubeček]

Ta poznámka "ale v praxi se to ignoruje" se týkala něčeho trochu jiného. V normě se totiž píše, že s kombinací znaků "ch" se nakládá jako se slitkem pouze v případě, že opravdu reprezentuje hlásku "ch". Pokud by se ale např. jednalo o složené slovo, kde první část končí "c" a druhá začíná "h", pak se to má brát jako dvě samostatná písmena i při porovnávání. Jak to má chudák program poznat, to už nám ale autoři normy neříkají. Naštěstí je tam jakási poznámka, že tam, kde by to bylo technicky obtížně realizovatelné, je možné některé špeky (jsou tam i horší vylomeniny) ignorovat. V praxi se tedy u českých collation kombinace "ch" bere jako slitek vždy.

U MySQL a typu tabulek MyISAM jakmile mažete a vkládáte, tak vám to bez ORDER BY sloupec bude sypat záznamy, tak jak jsou fyzicky uloženy v souboru, NE podle primárního indexu !!!

To je celkem logické a není to specialita MySQL. Pokud nepoužijete klauzuli order by, je pořadí záznamů nedefinované a bylo by krajně nepraktické, pokud by se databáze v takovém případě zdržovala řazením. Výjimkou jsou samozřejmě situace, kdy je z nějakých důvodů vhodnější řadit tak jako tak, typicky třeba při použití klauzule group by.

[Šangala]

ad. Ignoruje …  - sorry nepochopil jsem

ad. ORDER BY, ano specifikace SQL přímo říká že to není definováno. Nemyslel jsem, že je to specialita MySQL, chtěl jsem jen upozornit na tuto skutečnost a kde se na ni zaručeně narazí, protože například MySql + InnoDB se toto neprojeví (jestli se nepletu) díky internímu  způsobu zapisování záznamů, a M$SQL 2005 (opět jestli se nepletu), má někde napsáno, že se řadí, v takovém případě, podle primárního indexu.
Je to častá chyba a neprojeví se často hned - tak jsem to jen chtěl někomu říct :)