Pular para o conteúdo principal

VillageSQL is a drop-in replacement for MySQL with extensions.

All examples on this page work on VillageSQL. Install Now →
O conjunto de caracteres do MySQL controla como as strings são armazenadas (quais bytes representam quais caracteres). A collation controla como as strings são comparadas e ordenadas. Acertar isso desde o início evita dados corrompidos e ordenações quebradas que são dolorosos de corrigir depois.

utf8mb4 — O Padrão Certo

Use sempre utf8mb4. O utf8 do MySQL (sem o mb4) é uma codificação de 3 bytes que não consegue armazenar caracteres Unicode de 4 bytes — o que inclui emojis, muitos caracteres chineses e vários símbolos. utf8mb4 é a codificação UTF-8 completa.
Se você está em um banco de dados legado que usa utf8, migrar para utf8mb4 exige converter o banco de dados, as tabelas e as colunas.

Referência rápida de conjuntos de caracteres

A coluna de custo trata do trabalho necessário para corrigir uma escolha errada depois, não do custo de desempenho do charset em si. O latin1 é a armadilha: ele aceita qualquer valor de byte sem erro, então os dados ruins entram em silêncio e só aparecem quando você tenta exibi-los ou convertê-los.

Collations

A collation determina a ordem de classificação e o comportamento de comparação. Escolhas comuns: utf8mb4_0900_ai_ci é a collation padrão e a melhor escolha de uso geral. Ela trata o Unicode corretamente, não diferencia maiúsculas de minúsculas (ci) e não diferencia acentos (ai). Use utf8mb4_bin somente quando precisar de correspondência exata de bytes. ci = não diferencia maiúsculas (case-insensitive), cs = diferencia maiúsculas (case-sensitive), ai = não diferencia acentos (accent-insensitive), as = diferencia acentos (accent-sensitive).

Definindo Conjuntos de Caracteres

Na criação do banco de dados:
Na criação da tabela:
No nível da coluna (sobrescreve o padrão da tabela):
Conjuntos de caracteres no nível da coluna são úteis quando uma coluna precisa de correspondência sensível a maiúsculas enquanto o restante da tabela usa correspondência insensível. Alterar o conjunto de caracteres de uma coluna:
Converter uma tabela inteira:
CONVERT TO altera todas as colunas em uma única instrução. Ele reconstrói a tabela, então leva um tempo proporcional ao tamanho da tabela.

Verificando Conjuntos de Caracteres

As colunas na saída de SHOW CREATE TABLE que não mostram um charset estão herdando o padrão da tabela.

Conjunto de Caracteres da Conexão

O conjunto de caracteres da conexão controla a codificação que o MySQL espera do cliente e usa para literais de string. Defina-o sempre explicitamente:
A maioria dos drivers faz isso automaticamente quando você define o charset na string de conexão. As conexões usam utf8mb4 por padrão, então sobrescritas explícitas raramente são necessárias.

Efeitos da Collation nas Consultas

A collation afeta WHERE, ORDER BY e a unicidade:
Para ordenar com uma collation diferente do padrão da coluna:

Convertendo de utf8 para utf8mb4

Se o seu banco de dados legado usa utf8 (3 bytes), converta-o:
Atualize também a configuração do servidor para tornar utf8mb4 o padrão de novas conexões:
Converter tabelas grandes leva tempo e reconstrói a tabela. Agende durante uma janela de manutenção ou use uma ferramenta de mudança de esquema online.

Perguntas Frequentes

Por que o utf8 do MySQL não suporta emojis?

O utf8 do MySQL é um subconjunto não padrão de 3 bytes do UTF-8 que antecede a extensão Unicode de 4 bytes. Os emojis (e muitos outros caracteres Unicode modernos) exigem 4 bytes. utf8mb4 é a implementação completa e correta do UTF-8. O antigo alias utf8 existe somente para compatibilidade retroativa — nunca o use em esquemas novos.

Alterar a collation afeta os dados existentes?

Alterar a collation não altera os bytes armazenados. Altera a forma como esses bytes são comparados e ordenados. Porém, os índices únicos são aplicados usando a collation, então mudar de _bin para _ci pode revelar colisões (Alice e alice passam a ser iguais) que precisam ser resolvidas antes.

Qual collation devo usar?

utf8mb4_0900_ai_ci para a maioria dos casos de uso — é a collation padrão e trata bem o Unicode. Use utf8mb4_bin somente quando precisar de correspondência exata de bytes. Evite utf8mb4_general_ci em projetos novos — ela antecede _0900_ai_ci e trata alguns casos extremos de Unicode incorretamente.

Solução de Problemas

Veja também