2

Comecei um novo projeto e ao criar o banco de dados (MySQL), não pensei duas vezes, coloquei um CHARSET=utf8. A aplicação terá suporte ao português e inglês e os usuários deverão utilizar apenas esses dois idiomas.

Em um módulo em específico os usuários poderão redigir um procedimento. Ou seja, um texto relativamente longo, o qual vou usar um editor WYSIWYG HTML. Os usuários formatam seus textos e eu gravo o HTML no banco de dados. Para essa coluna escolhi VARCHAR(65535), assim eu usaria melhor o espaço no banco.

Porém, claro, o MySQL informou que o máximo que eu consigo no VARCHAR é 21845 por conta o UTF-8 (ocupa máximo de 3 bytes).

Pergunta: Atualmente ainda vale a pena eu utilizar Latin1, garantindo que cada caracter terá apenas 1 byte? Ou isso é obsoleto e é melhor fazer com UTF-8?

5
  • 5
    Possível duplicata de Qual encoding escolher para um banco de dados?
    – rbz
    24/04/2018 às 16:05
  • @RBZ cheguei a ler a resposta que você indicou. Porém é de 3 anos atrás, além de ter algumas informações que agora estão incorretas. 24/04/2018 às 16:08
  • Acredito que não tenha diferença da resposta do post. Mas em todo caso, vamos aguardar alguém que possa confirmar isso ! ;]
    – rbz
    24/04/2018 às 16:11
  • 5
    Sendo a 3 anos atrás não muda, a escolha do tipo de algo é conforme a sua necessidade (a necessidade da aplicação que cria), se fosse um encoding melhor que o outro nem existiria o "pior", talvez ele já teria sido removido ou descontinuado. E mesmo que supostamente algo tivesse mudado ainda sim o correto seria você lançar uma recompensa na pergunta já existente solicitando respostas atualizadas e talvez comentar na resposta existente afirmando que algo mudou.
    – Syzoth
    24/04/2018 às 17:17
  • 3
    Se não vai atender povos não ocidentais, e não pretende encher sua aplicação de emoticons, latin-1 é uma boa pedida ainda, é mais compacto e mais performático (pela associação 1:1 entre bytes e caracteres). Se pretende internacionalizar, pode usar alguma das variantes de Unicode. Cada caso é um caso. O importante é entender que elogio cego a UTF-8 é falta de conhecer o que acontece por "baixo do capô". Unicode gasta mais espaço para ter mais caracteres. UTF-8 custa bem mais processamento do que o Unicode "cheio", mas balanceia espaço e versatilidade (só gasta espaço extra acima do char 127).
    – Largato
    24/04/2018 às 18:38

3 Respostas 3

11

Não existe uma resposta correta para escolha do encoding. A escolha deve ser feita de acordo com a sua necessidade. É por esse motivo que os bancos aceitam vários tipos.

Se o seu sistema não tiver chance de receber nenhum caractere especial, como no caso que você está descrevendo onde o conteúdo será sempre um HTML em que você pode, a priori, trocar todos os caracteres especiais por suas representações Unicode (i.e. &#nnnn; onde nnnn é o código unicode), então é provável que você não precise armazenar esse dado em UTF-8. Você inclusive pode ter todo o seu banco de dados como um collation UTF-8 e apenas esse campo do HTML com uma collation diferente.

Porém, muitas vezes você não tem controle sobre como o HTML será gravado no campo, você não tem um filtro para converter em casos onde o usuário colar algum caractere especial, etc. Se for esse o caso, então a melhor estratégia é usar o Unicode.

Outra questão está no fato de você escolher um campo varchar ou um campo text para guardar esse tipo de informação. Cada tipo de campo tem suas vantagens e desvantagens, principalmente se você tem alguma intenção de aplicar filtros ou ordenações sobre esse conteúdo. Os campos text também podem ser indexados, mas tem um limite (prefixo) que você deve escolher para a comparação dos caracteres. Existe também funcionalidades de FULL TEXT SEARCH no MySQL que podem ser aplicados nos dois tipos de campo.

Se apenas for uma questão de armazenar e recuperar o dado, eu indicaria o uso de um campo do tipo text em que você não se preocuparia com limitações de tamanho, no caso de você não ter esse controle do input do usuário.

Outro aspecto, é que hoje em dia a preocupação do campo ocupar 1 byte ou 2 bytes por caractere não tem muito sentido dado o custo por byte de armazenamento em disco. Apenas se você tem um sistema com uma quantidade muito grande de dados que precise replicar em várias instâncias e o custo de armazenamento do seus provedor for caro.

Se essa for sua principal preocupação e não tiver certeza se o conteúdo vai usar ou não Unicode, escolha o UTF-8. Isso irá facilitar seus scripts de banco, suas conversões quando fizer a leitura no programa e para exibir em páginas HTML.

-1

No MySQL você tem os tipos MEDIUMTEXT (16M caracteres) e LONGTEXT (4B), então não há necessidade de se preocupar com limitações impostas pelo encoding. Padronize em UTF-8 e seja feliz :)

3
  • esses dois tipos, no caso da coluna ser opcional, elas não ocupam espaço no banco de dados desnecessariamente? 24/04/2018 às 16:32
  • acho a resposta totalmente pertinente. Só não quero desperdiçar espaço no banco de dados. 24/04/2018 às 16:36
  • Não, elas ocupam apenas o espaço necessário. O único "desperdício" são 3 ou 4 bytes por linha x coluna para armazenar o tamanho da string (em MEDIUMTEXT e LONGTEXT respectivamente).
    – epx
    24/04/2018 às 21:24
-3

Utilize apenas latin1 se tiver a certeza que não precisará de caracteres além dos que precisamos nas línguas latinas. O latin1 deixou de ser recomendado por representar carateres insuficientes (inclusive pelos próprios criadores que recomendam o utf-8 em sua substituição). Atualmente, utf-8 é o mais indicado, pois permite codificar quase todos os caracteres de todas as línguas com 1, 2 ou 3 bytes. Raramente chega aos 4 bytes.

4
  • 2
    Por que? O Latin1 tem justamente os caracteres que você diz não ter. Até a infromação sobre UTF-8 está errada.
    – Maniero
    24/07/2019 às 11:32
  • 2
    Eu uso latin1 (na verdade, Win 1252, quando pra desktop) pra maior parte das coisas justo por ter todos os caracteres especiais que a língua portuguesa utiliza, e ser muito mais performático que UTF-8. Seria legal dar uma revisada nos conceitos e editar o post para dar uma melhorada.
    – Largato
    24/07/2019 às 11:38
  • Porquê a informação sobre o utf-8 está errada?
    – Maf
    24/07/2019 às 15:50
  • Por outra, acha que com 256 caracteres consegue representar tudo o que quer? Exemplo: Experimente introduzir símbolos como € (Euro) nas suas bases de dados que diz que utiliza latin1 e depois diga se o resultado é satisfatório.
    – Maf
    24/07/2019 às 16:16

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .