What is Collation? How it will affect SQL Server database, and server?

字符的存储

        在将collation之前，我们首先需要知道字符是如何被存储的。在计算机中，所有数据都是用0和1这样的位来描述。一个字节有8位，因此一个字节最多可以描述256个字符。在欧美国家，比如美国，他们的文字字符主要就是26个字母加上一些特殊符号(+-*/等)，用一个字节就可以存储，一个国家使用的所有字符就是一个code page，用一个字节存储字符的code page 叫做single-byte code page。但是在亚洲的一些国家，比如中国，常用汉字有几万个，根本不能用一个字节来表示所有的汉字字符，因此需要用两个字节描述。因为两个字节有16位，最多可以描述65536个字符，足够用来描述所有汉语字符以及常用字符，这些字符也是一个code page，不过是double-byte code page，主要针对的是中国。每个国家都有一个code page来对应所使用的字符。比如欧美国家，他们使用拉丁，虽然a-z这26个字母所对应的二进制在code page中是相同的，但是在重音（'é'和'á'）方面是不相同的。所以如果code page不同，那么相同的二进制代码所表示出来的字符也可能不相同。如果数据在不同code page的计算机上传输，就需要进行code page的转换，如果接收方的code page上没有定义传输方传送过来的特定字符的二进制位，那么就会出现数据丢失。

Collation的组成

         在讲完字符的存储形式以后，我们就可以讲什么是collation了。Collation描述了数据在数据库中是按照什么规则来描述字符，以及字符时如何被排序和比较的。在SQL Server中，Collation由两部分组成，比如中国的一个collation是 Chinese_PRC_CI_AI_WS ，前半部份是指的是所支持的字符集，与code page相对应，如Chinese_PRC 对应的代码页是936，在这个code page中定义了所有能够使用的字符。后半部CI_AI_WS用于表示排序规则，比如：

• _CI(CS)表示是否区分字母大小写，CI不区分，CS区分。如果区分大小写，那么排序的时候小写字母的排在大写的前面；如果不区分大小写，那么排序的时候视大小写字母相同。
• _AI(AS) 表示是否区分重音，AI不区分，AS区分。如果不区分重音，那么排序的时候视“a”和“ấ”为相同字符
• _KI(KS) 表示是否区分假名类型，KI不区分，KS区分。在日语中应用。
• _WI(WS) 表示是否区分全半角，WI不区分，WS区分。半角是单字节，全角是双字节。

Collation的四个级别

       Collation一共有四个级别，分别是server-level, database-level, column-level和expression-level。

Server-level Collations：

        服务器级别的collation是在安装数据库实例的时候指定的，如果没有特别指定，那么就将windows collation作为server-level collation。Windows collation由操作系统中的区域语言来决定的，如下图所示。

        因为我们选择的是Chinese(Simplified,PRC)，那么我们默认的server-level collations就是：Chinese_PRC_。Server-level collation也是系统数据库和用户数据库的默认collation。一般情况下server-level collation一旦设定就不能更改，除非将所有数据库中的对象以及数据全部导出，并创建master，再将数据导回才可完成。

Database-level collations

        Database-level collations可以在create database…collate的时候指定，如果要修改database-level collations，可以通过alter database …collate来修改。一般情况是不能修改系统数据库（master等）的collations的，除非使用前面提到的修改server-level collations的方法来修改系统数据库。

Column-level collations

        在创建或更改表时，可使用 COLLATE 子句指定每个字符串列的排序规则。当然也可以修改column-level collations。

Expression-level collations

        Expression-level是指在执行sql语句的时候指定collations，比如：

SELECT name FROM customer ORDER BY name COLLATE Latin1_General_CS_AI;

 这一条查询语句表示按照Latin1_General_CS_AI的排序规则来进行排序。Expression-level collations的一个好处就是非常灵活。

实验1：解决collation不匹配导致的冲突

        在对两个collations级别不同的数据库的表进行连接操作的时候，会报错。这是可以通过expression-level collations来指定使用何种collations来解决问题。比如使用Collate Database_Default 则会将字段定义或转换成当前数据库的默认排序规则，从而解决冲突。

Step1：

创建两张表，第一张表使用默认的collation，第二张表在stuname列上指定collation。

create table student1(                stuid int not null,                stuname nvarchar(20) not null,);create table student2(                stuid int not null,                stuname nvarchar(20) COLLATE Latin1_General_CS_AI  not null,);

--求表连接Step2：

select s1.*,s2.*  from student1 s1,student2 s2 where s1.stuname=s2.stuname

执行上述查询报错如下所示：

Cannot resolve the collation conflict between "Latin1_General_CS_AI" and "Chinese_PRC_CI_AS" in the equal to operation.

然后在expression-level使用Collate Database_Default

select s1.*,s2.*  from student1 s1,student2 s2 where s1.stuname=s2.stuname Collate Database_Default

上述查询执行成功。

需要注意的是collation只能用在字符串类型的列上面，如果在int列上使用collate会报错。

实验2：变更collation对数据库的影响

目的1：

创建数据库，查看数据的默认database collation与server collation是否一样。

目的2：

在database collation为Chinese_PRC_CI_AS的数据库中插入中文，然后修改collation为Latin1_General_CS_AI，看看已保存的数据有没有发生变化。如果再次把collation改回到Chinese_PRC_CI_AS，又有什么变化

目的3：

在collation为Latin1_General_CS_AI的情况下，插入中文，会有什么情况，如何解决。

--实验1：测试nvarchar和varchar的存储长度--创建一个默认collation为Chinese_PRC_CI_AS的数据库TESTDB3USE TESTDB1CREATE TABLE test(  lastname        NVARCHAR(8) NOT NULL,--nvarchar类型，双字节存储  title           VARCHAR(8) NOT NULL, --varchar类型，单字节存储);insert into test values('姓名1','标题1');select * from test;insert into test values('123456789','1');--String or binary data would be truncated.insert into test values('12345678','1');insert into test values('1','12345678');insert into test values('一二三四五六七八','一二三四');select * from test;--总结：/*1.nvarchar(n)，按字符来存储，不论是英文字符还是中文字符。最多能够存储n个中文或者是英文，但是所占用的存储空间是2n+2个字节。1<=n<=40002.varchar(n)按字节存储，最多能够存储n个英文字母，存储n/2个中文字符。但是所占用的存储空间是n个字节。1<=n<=8000*/--实验2：collation的变更对数据的影响。USE TESTDB1select * from test;--step1：修改数据库的collation从默认的Chinese_PRC_CI_AS修改为Latin1_General_CS_AI，英语国家都是使用这个排序规则。use masteralter  database  TESTDB1  collate Latin1_General_CS_AI--step2：通过下面的语句可以查出实例中与默认collation不同的数据库，查找到了我们之前的 TESTDB1 use masterSELECT NAME AS DATABASE_NAME , DATABASEPROPERTYEX(NAME,'COLLATION') AS DBCOLLATION , SERVERPROPERTY('COLLATION') AS SERVERCOLLATIONFROM SYS.DATABASESWHERE CONVERT(SYSNAME,DATABASEPROPERTYEX(NAME,'COLLATION')) <> SERVERPROPERTY('COLLATION')--step3：在修改完collation以后查看表中的数据，发现数据没有改变。USE TESTDB1select * from test;--step4：在新的collation下面插入数据insert into test values('姓名1','标题1');--插入以后发现中文都变成了乱码"??"select * from test;--step5：因为lastname是nvarchar类型，我们在插入的时候指定出nvarcharinsert into test values(N'姓名2','标题2');--此时发现姓名没有乱码，标题不用说还是乱码??select * from test;--step6：试一试在varchar类型的字段插入nvarchar是数据insert into test values(N'姓名3',N'标题3');--发现标题也不是乱码了。select * from test;--------------------------------------step7：将collation从Latin1_General_CS_AI改回默认的Chinese_PRC_CI_ASuse masteralter  database  TESTDB1  collate Chinese_PRC_CI_AS--step8：在修改完collation以后查看表中的数据，发现数据没有改变。USE TESTDB1select * from test;--step9:插入字符，不指定unicode类型，查询显示的是中文，表明当前collation默认使用unicode编码。insert into test values('姓名4','标题4');select * from test;

总结：

1. collation的变更不改变数据库原先存储的数据，原来是怎么样，修改以后还是怎样，没有发生改变。
2. Latin1_General_CS_AI默认是的non-unicode的，所以在这个collation下插入中文变成乱码，必须在插入数据的时候指明使用unicode形式插入，也就是添加关键字“N”，而Chinese_PRC_CI_AS这个collation使用的是double-byte code page，这里面定义了所有中文字符，所以在插入数据的时候不需要指定关键字“N”。
3. 可以往varchar数据类型的列中插入nvarchar的数据，也就是使用varcha存储unicode的数据。