Collation

Collation to ustawienie definiujące zasady sortowania i porównywania wartości tekstowych w bazie danych.

Collation jako reguły porównywania tekstu

Collation, czyli sortowanie tekstu, określa sposób porządkowania i porównywania wartości znakowych w bazie danych. Nie jest to pojedynczy znak ani format zapisu tekstu, lecz zestaw reguł używany podczas wykonywania operacji takich jak ORDER BY, GROUP BY, porównania w warunkach WHERE, wyszukiwanie oraz tworzenie indeksów. Collation może decydować między innymi o kolejności liter, traktowaniu wielkości znaków oraz porównywaniu znaków diakrytycznych.

Przykładowo dwie wartości mogą być uznane za równe, mimo że jedna została zapisana wielkimi literami, a druga małymi, jeżeli dana collation jest niewrażliwa na wielkość liter. W innym ustawieniu porównanie może rozróżniać zapis Jan i jan. Podobnie collation może wpływać na to, czy ą i a są traktowane jako różne znaki, czy jako warianty tej samej litery. Zasady te mają bezpośrednie znaczenie dla wyników sortowania i liczby rekordów zwracanych przez zapytanie.

Znaki języka polskiego, wielkość liter i kolejność wyników

W polskich danych collation jest istotna, ponieważ alfabet zawiera znaki diakrytyczne, między innymi ą, ć, ę, ł, ń, ó, ś, ź oraz ż. Zwykłe porównanie oparte na numerach znaków nie zawsze odpowiada kolejności oczekiwanej przez użytkownika. Collation językowa może stosować reguły ustalone dla konkretnego języka, a collation binarna porównuje reprezentację znaków według ich wartości kodowych. Te dwa podejścia mogą zwrócić inną kolejność nazwisk, miejscowości lub nazw produktów.

W nazwie collation często występują oznaczenia opisujące jej zachowanie, ale ich dokładna składnia zależy od silnika bazy danych. Spotykane skróty mogą wskazywać niewrażliwość albo wrażliwość na wielkość liter, akcenty i znaki diakrytyczne. Nie należy jednak interpretować takich oznaczeń bez sprawdzenia dokumentacji konkretnego systemu, ponieważ identyczne skróty mogą mieć różne znaczenie w różnych produktach. Dla aplikacji ważne jest, aby reguły używane przy zapisie, wyszukiwaniu, sortowaniu i tworzeniu indeksów były ze sobą zgodne.

Różnica w collation może ujawnić się dopiero przy danych zawierających polskie znaki, nazwy zapisane różną wielkością liter albo tekst pochodzący z kilku systemów. Wtedy zapytanie może sortować rekordy w pozornie nieoczekiwanej kolejności, nie znaleźć wartości uznawanej przez użytkownika za równoważną albo zgłosić błąd podczas porównywania kolumn o niezgodnych regułach. Samo ustawienie kodowania znaków nie rozwiązuje tego problemu, ponieważ kodowanie określa sposób przechowywania znaków, a collation określa sposób ich porównywania.

Wpływ collation na zapytania, indeksy i import danych

Collation może być ustalona na różnych poziomach, zależnie od używanego silnika: dla całej instancji lub serwera, bazy danych, tabeli, kolumny, wyrażenia albo pojedynczego działania w zapytaniu. Najbardziej szczegółowa reguła może zmienić wynik porównania tylko w określonym fragmencie operacji, natomiast ustawienie odziedziczone z wyższego poziomu wpływa na większą część danych. Podczas diagnozy trzeba więc ustalić nie tylko nazwę bazy, ale również collation przypisaną do konkretnej kolumny i sposób, w jaki zapytanie wymusza lub dziedziczy reguły porównania.

Indeks tekstowy jest tworzony z uwzględnieniem zasad porządkowania obowiązujących dla indeksowanej kolumny. Jeżeli zapytanie używa innej collation albo wykonuje konwersję tekstu, silnik może nie wykorzystać indeksu w taki sam sposób jak przy porównaniu zgodnym z jego definicją. Skutkiem może być większa liczba odczytów i dłuższy czas wykonania zapytania. Zmiana collation kolumny nie jest więc wyłącznie zmianą wyglądu wyników; może wymagać przebudowy indeksów oraz sprawdzenia ograniczeń unikalności, ponieważ po zmianie reguł dwa wcześniej różne napisy mogą zostać uznane za równe.

Problemy często pojawiają się przy imporcie danych z plików, migracji między bazami lub łączeniu tabel utworzonych w różnych konfiguracjach. Tekst może wtedy mieć poprawne znaki, ale być porównywany według niezgodnych reguł. W zależności od silnika pojawia się błąd, jawna konwersja albo wynik zależny od collation wybranej przez zapytanie. Bezpieczna diagnostyka obejmuje odczyt definicji kolumn, sprawdzenie ustawień po obu stronach operacji oraz testy na rzeczywistych wartościach zawierających wielkość liter i polskie znaki.

Dobór i weryfikacja collation w codziennej pracy

Dobór collation powinien wynikać z języka danych i wymagań aplikacji, a nie z przypadkowej wartości ustawionej podczas instalacji. Dla katalogu produktów, kontaktów lub nazw użytkowników trzeba wcześniej określić, czy wyszukiwanie ma ignorować wielkość liter i akcenty, czy ma je rozróżniać. Warto również ustalić, czy sortowanie ma być językowe, czy techniczne i binarne. Takie decyzje powinny być spójne z walidacją formularzy, działaniem wyszukiwarki, ograniczeniami unikalności oraz oczekiwaniami osób korzystających z programu.

Weryfikację wykonuje się w dokumentacji i narzędziach właściwych dla używanego silnika bazy danych. Należy sprawdzić aktywną collation na poziomie bazy i kolumn, a następnie wykonać kontrolne porównania oraz sortowania na zestawie testowym. Przykładowy zestaw powinien obejmować wartości różniące się wielkością liter, znakiem diakrytycznym, kolejnością słów i obecnością znaków spoza alfabetu łacińskiego. Należy też sprawdzić zapytania z indeksami, sortowanie stronicowane oraz operacje łączenia tabel, ponieważ właśnie tam niezgodność reguł może powodować trudne do zauważenia różnice.

Jeżeli collation ma zostać zmieniona w istniejącej bazie, przed operacją trzeba wykonać kopię zapasową, przeanalizować indeksy i ograniczenia oraz przetestować aplikację na kopii danych. Należy zweryfikować, czy po zmianie nie powstaną duplikaty według nowych zasad porównania i czy importy nie zaczną odrzucać wcześniej akceptowanych rekordów. Warszawskie Pogotowie Komputerowe zajmuje się profesjonalną naprawą laptopów, komputerów PC i ich podzespołów, natomiast problemy z collation wymagają analizy konfiguracji oraz zapytań w konkretnym systemie bazodanowym.