Cuando escoges un collate como utf8_spanish_ci
, en realidad estás especificando 2 cosas:
- El charset:
utf-8
- El collate:
spanish_ci
El charset determina cómo representar los datos internamente (los bytes), mientras que el collate determina las reglas que se siguen para comparar y ordenar el texto.
Referencia: Character Sets and Collations in MySQL.
Charset
De modo que para una misma cadena (por ejemplo 'abc'
), los valores y la cantidad de bytes usados para representar esa cadena internamente no serán los mismos si usas utf8_general_ci
o utf16_general_ci
, porque usan 2 charsets diferentes.
Hay 2 razones principales por la que escojerías un charset mas bien que otro en diferentes circunstancias:
- En el caso de algunos charsets, puede que no tenga la capacidad de representar ciertos carácteres, de modo que es importante escoger un charset que pueda manejar todos los carácteres que necesitas. Si usas un charset que comienza por
utf
(utf8
, utf16
, utf32
, etc.), entonces puedes estar seguro que puedes manejar cualquier carácter que forma parte de Unicode.
- La cantidad de bytes usado por carácter varía entre los diferentes charsets. De modo que si deseas controlar la talla de la base de datos, es algo en qué pensar.
Generalmente, el uso de utf-8
es favorecido porque equilibra muy bien la necesidad de manejar todos los carácteres en Unicode, pero a la vez usando un formato que reduce la cantidad de bytes que se necesita.
Para idiomas como español, utf-8
puede representar los carácteres con un solo byte. Pero si te tocara manejar chino por ejemplo, entonces puede que se requieran mas bytes, y entonces puede que utf16
sea más ventajoso. (Nota: contrario a lo que pusistes en la pregunta, utf8
no representa todos los carácteres en Unicode con un solo byte. Algunos sí, otros no.)
Collate
Ahora bien, dentro de un charset, tienes la opción de escoger diferentes collates. Por ejemplo, puedes escoger entre utf8_general_ci
y utf8_spanish_ci
, y hasta también utf8_spanish2_ci
. En todos estos casos, la representación interna del texto es idéntico (los bytes son iguales).
Mas bien, el efecto de escoger un diferente collate es que ajusta la manera cómo el texto es comparado y ordenado en tus consultas.
Por ejemplo, si el texto contiene letras como ñ
o la doble L ll
, usando diferentes collates vas a notar que el texto se ordena diferentemente cuando haces un ORDER BY
.
Aquí te dejo una demostración de cómo el collate afecta el orden del texto en MySQL.
En cuanto al efecto que tiene en la comparación de los datos (where col = 'abc'
), no estoy al tanto de ninguna diferencia entre utf8_general_ci
y utf8_spanish_ci
. Pero puede que haya. Sé que hay diferencias en el caso de otros idiomas como alemán, por ejemplo.
Referencia: Examples of the Effect of Collation.
utf8_general_ci
y no me ha dado ningún problema. Sin embargo, lo pongo como comentario porque no sé si es exactamente la respuesta a tu pregunta. Por otro lado, cuando uséutf8_spanish_ci
había algún carácter que me daba problemas. Sin embargo, no me acuerdo cual. Espero que te responda alguien que sepa más a fondo sobre las distintas codificaciones.utf8_general_ci
, era por si aporta alguna facilidad o es cosa mía que me lo dijeron hace años y estoy desactualizado. Curiosidad que tengo.