UTF-8: ¿General? ¿Compartimiento? Unicode?

Estoy tratando de averiguar qué cotejo debería usar para varios tipos de datos. El 100% del contenido que almacenaré es enviado por el usuario.

Tengo entendido que debería usar UTF-8 General CI (mayúsculas y minúsculas) en lugar de UTF-8 Binary. Sin embargo, no puedo encontrar una distinción clara entre UTF-8 General CI y UTF-8 Unicode CI.

1. ¿Debo almacenar contenido enviado por el usuario en columnas UTF-8 General o UTF-8 Unicode CI?
2. ¿A qué tipo de datos se aplicaría UTF-8 Binary?

En general, utf8_general_ci es más rápido que utf8_unicode_ci , pero menos correcto.

Aquí está la diferencia:

Para cualquier conjunto de caracteres Unicode, las operaciones realizadas utilizando la clasificación _general_ci son más rápidas que las de la clasificación _unicode_ci . Por ejemplo, las comparaciones para la intercalación utf8_general_ci son más rápidas, pero un poco menos correctas, que las comparaciones para utf8_unicode_ci. La razón de esto es que utf8_unicode_ci admite mapeos como expansiones; es decir, cuando un personaje se compara como igual a combinaciones de otros personajes. Por ejemplo, en alemán y algunos otros idiomas "ß" es igual a "ss". utf8_unicode_ci también admite contracciones y caracteres ignorables. utf8_general_ci es una recopilación heredada que no admite expansiones, contracciones o caracteres ignorables. Solo puede hacer comparaciones uno a uno entre los personajes.

Citado de: http://dev.mysql.com/doc/refman/5.0/en/charset-unicode-sets.html

Para obtener una explicación más detallada, lea la siguiente publicación de los foros de MySQL: http://forums.mysql.com/read.php?103,187048,188748

En cuanto a utf8_bin: utf8_general_ci y utf8_unicode_ci realizan una comparación que no distingue entre mayúsculas y minúsculas. En contraste, utf8_bin distingue entre mayúsculas y minúsculas (entre otras diferencias), ya que compara los valores binarios de los caracteres.

También debe tener en cuenta el hecho de que con utf8_general_ci al usar un campo varchar como índice único o primario, insertar 2 valores como 'a' y 'á' daría un error de clave duplicado.

• utf8_bincompara los bits a ciegas. Sin plegado de la caja, sin pelado.
• utf8_general_cicompara un byte con un byte. Hace plegado de mayúsculas y minúsculas , pero no hay comparaciones de 2 caracteres: ijno es igual ijen esta colación.
• utf8_*_cies un conjunto de reglas específicas del idioma, pero por lo demás me gusta unicode_ci. Algunos casos especiales: Ç, Č, ch,ll
• utf8_unicode_cisigue un antiguo estándar Unicode para las comparaciones. ij= ij, pero ae! =æ
• utf8_unicode_520_cisigue un nuevo estándar Unicode. ae=æ

Consulte la tabla de colación para obtener detalles sobre qué es igual a qué en varias colaciones utf8.

utf8, tal como lo define MySQL, está limitado a los códigos utf8 de 1 a 3 bytes. Esto deja fuera a Emoji y algunos chinos. Por lo tanto, debería cambiarse utf8mb4si quiere ir mucho más allá de Europa.

Los puntos anteriores se aplican a utf8mb4, después de un cambio de ortografía adecuado. En adelante, utf8mb4y utf8mb4_unicode_520_cison preferidos.

• utf16 y utf32 son variantes en utf8; prácticamente no les sirve de nada.
• ucs2 está más cerca de "Unicode" que de "utf8"; prácticamente no tiene uso para ello.

Realmente, probé guardando valores como 'é' y 'e' en la columna con índice único y causan errores duplicados en 'utf8_unicode_ci' y 'utf8_general_ci'. Puede guardarlos solo en la columna intercalada 'utf8_bin'.

Y los documentos de mysql (en http://dev.mysql.com/doc/refman/5.7/en/charset-applications.html ) sugieren en su conjunto de ejemplos la recopilación 'utf8_general_ci'.

[mysqld]
character-set-server=utf8
collation-server=utf8_general_ci

La respuesta aceptada está desactualizada.

Si usa MySQL 5.5.3+, use en utf8mb4_unicode_cilugar de utf8_unicode_cipara asegurarse de que los caracteres escritos por sus usuarios no le darán errores.

utf8mb4admite emojis, por ejemplo, mientras que utf8podría darte cientos de errores relacionados con la codificación como:

Incorrect string value: ‘\xF0\x9F\x98\x81…’ for column ‘data’ at row 1