postgresql - postgresql 中使用 utf8 的多种语言

Question

究竟如何无缝支持存储在 postgres 的 utf8 字符集中的所有语言？我们似乎需要指定一个特定于语言的排序规则以及字符集，例如 en_US.utf8。如果我没记错的话，我们无法在同一个 utf8 中同时存储英文 (en_US) 和中文 (zh_CN) > 列，同时保持任何有意义的整理行为。如果我将一个列定义为en_US.utf8，它应该如何处理包含中文(zh_CN)字符/字节序列的值？实际情况是单个列值可以包含多种语言(例如:“你好和晚安”)，根本无法根据一种语言进行整理。

是的，我可以物理存储任何字符序列；但是在包含英文、德文、中文、日文和韩文字符串的 en_US.utf8 列上进行排序的定义行为是什么？

我知道 mysql 的 utf8mb4_unicode_ci 整理并不完美，并且它没有遵循任何关于如何整理整个 unicode 集的既定标准。我已经能听到反对 mysql 的人群在叹息 mysql 的语言不可知排序规则是多么武断、语义上毫无意义，甚至完全无效。但事实是，它工作得很好，并且满足了 utf8 = 多语言 unicode 支持的期望。

难道 postgres 只是非常固执地认为在 unicode 范围内进行整理在语义上是不正确的吗？我知道开发人员在“按照规范做事”方面非常严格，但这种无法兼顾多种语言的能力至少可以说是令人沮丧的。我是否遗漏了解决多语言问题的东西，或者官方的立场是单个 utf8 列可以处理任何语言，但一次只能处理一种语言？

Answer 1

你是对的，永远不会有一种完美的方法来跨语言整理字符串。

PostgreSQL 决定不创建自己的排序规则，而是使用操作系统提供的排序规则。这背后的想法是避免重新发明轮子并减少维护工作。
因此，传统的 PostgreSQL 对您的问题的回答是:如果您想要一种对不同语言的字符串都能很好地工作的字符串排序规则，请向您的操作系统供应商投诉或选择提供此类排序规则的操作系统。

但是，这种方法有 PostgreSQL 社区意识到的缺点:

• 很少有人(如果有的话)根据操作系统提供的整理支持来决定操作系统。

• PostgreSQL 的排序行为取决于底层操作系统，这导致邮件列表上的困惑用户频繁提问。

• 对于某些操作系统，排序规则行为可能会在操作系统升级期间发生变化，从而导致数据库索引损坏(参见示例 this thread)。

很可能 PostgreSQL 改变了它的方法；曾多次努力使用ICU库而不是操作系统排序规则(例如参见 this recent thread )，这将缓解其中的一些问题。