Quelle est la différence entre le ci général utf8 et le ci unicode utf8?

je voulais savoir quelle est la différence de performance entre l'utilisation de utf8_general_ci et utf8_unicode_ci, mais je n'ai pas trouvé de benchmarks listés sur Internet, donc j'ai décidé de créer des benchmarks moi-même.

j'ai créé une table très simple avec 500000 lignes:

CREATE TABLE test(
  ID INT(11) DEFAULT NULL,
  Description VARCHAR(20) DEFAULT NULL
)
ENGINE = INNODB
CHARACTER SET utf8
COLLATE utf8_general_ci;

puis je l'ai rempli avec des données aléatoires en exécutant cette procédure stockée:

CREATE PROCEDURE randomizer()
BEGIN
  DECLARE i INT DEFAULT 0;
  DECLARE random CHAR(20) ;

  theloop: loop
    SET random = CONV(FLOOR(RAND() * 99999999999999), 20, 36);

    INSERT INTO test VALUES (i+1, random);

    SET i=i+1;

    IF i = 500000 THEN
      LEAVE theloop;
    END IF;

  END LOOP theloop;
END

, Puis j'ai créé les procédures stockées suivantes pour référence simple SELECT, SELECT, et le tri (SÉLECTIONNEZ la COMMANDE PAR):

CREATE benchmark_simple_select()
BEGIN
  DECLARE i INT DEFAULT 0;

  theloop: loop

    SELECT * FROM test WHERE Description = 'test' COLLATE utf8_general_ci;

    SET i = i + 1;

    IF i = 30 THEN
      LEAVE theloop;
      END IF;

  END LOOP theloop;

END

CREATE PROCEDURE benchmark_select_like()
BEGIN
  DECLARE i INT DEFAULT 0;

  theloop: loop

    SELECT * FROM test WHERE Description LIKE '%test' COLLATE utf8_general_ci;

    SET i = i + 1;

    IF i = 30 THEN
      LEAVE theloop;
      END IF;

  END LOOP theloop;

END

CREATE PROCEDURE benchmark_order_by()
BEGIN
  DECLARE i INT DEFAULT 0;

  theloop: loop

    SELECT * FROM test WHERE ID > FLOOR(1 + RAND() * (400000 - 1)) ORDER BY Description COLLATE utf8_general_ci LIMIT 1000;

    SET i = i + 1;

    IF i = 10 THEN
      LEAVE theloop;
      END IF;

  END LOOP theloop;

END

dans les procédures stockées au-dessus de utf8_general_ci collation est utilisé, mais bien sûr, au cours des tests, j'ai utilisé à la fois utf8_general_ci et utf8_unicode_ci.

j'ai appelé chaque procédure stockée 5 fois pour chaque classement (5 fois pour utf8_general_ci et 5 fois pour utf8_unicode_ci) et ensuite calculé la moyenne des valeurs.

My les résultats sont:

benchmark_simple_select () with utf8_general_ci: 9957 ms

benchmark_simple_select () with utf8_unicode_ci: 10271 ms

Dans ce benchmark, utf8_unicode_ci est plus lent que utf8_general_ci de 3,2%.

benchmark_select_like () with utf8_general_ci: 11441 ms

benchmark_select_like () with utf8_unicode_ci: 12811 ms

Dans ce benchmark, utf8_unicode_ci est plus lent que utf8_general_ci de 12%.

benchmark_order_by () with utf8_general_ci: 11944 ms

benchmark_order_by () avec utf8_unicode_ci: 12887 ms

Dans ce benchmark, utf8_unicode_ci est plus lent que utf8_general_ci de 7,9%.

Ce post décrit très bien.

en bref: utf8_unicode_ci utilise l'algorithme de Collation Unicode tel que défini dans les normes Unicode, alors que utf8_general_ci est un ordre de tri plus simple qui se traduit par des résultats de tri" moins précis".

voir le manuel mysql, jeux de caractères Unicode section:

pour tout jeu de caractères Unicode, les opérations effectuées à l'aide de la La collecte des données générales est plus rapide que celle des données relatives à l'unité. Par exemple, les comparaisons pour interclassement utf8_general_ci sont plus rapides, mais un peu moins correcte, que comparaisons des utf8_unicode_ci. Le la raison pour cela est que utf8_unicode_ci supporte des mappages tels que comme les expansions; c'est, quand on caractère compare égal à combinaisons d'autres caractères. Pour exemple, en allemand et quelques autres langues "ß" est égal à "ss". utf8_unicode_ci supporte aussi contractions et caractères ignorables. utf8_general_ci est un héritage de classement qui ne supporte pas les expansions, contractions, ou caractères ignorables. Il ne peut faire qu'un contre un comparaisons entre les caractères.

pour résumer, utf_general_ci utilise un ensemble de comparaisons plus petit et moins correct (selon la norme) que utf_unicode_ci qui devrait mettre en œuvre la norme entière. Le general_ci jeu sera plus rapide car il y a moins de calcul à faire.

en bref:

si vous avez besoin d'un meilleur tri des commandes-utilisez utf8_unicode_ci (c'est la méthode préférée),

mais si vous êtes tout à fait intéressé par la performance - utilisez utf8_general_ci , mais sachez qu'il est un peu dépassé.

les différences en termes de performance sont très faibles.