comportamiento inesperado utf8_spanish_ci

[Pantaláimon]

Buenas.

Mirando sobre el tema de los character sets y collations he leído que en mysql collation utf8_spanish_ci no distingue entre vocales con tilde o sin tilde. Sin embargo, a mi me está ocurriendo lo contrario y me gustaría averiguar por qué. Así que os presento un pequeño código que he hecho para intentar descubrir por qué razón no se comporta adecuadamente.

Primeramente quería recordar que en utf8 el carácter "o" equivale a x6F o 111 y el carácter "ó" equivale a xc3 b3 o 195 179.

Bien, pues el código que voy a exponer trata de insertar en una tabla el texto "camión"(con tilde) y luego comprobar si existe alguna palabra en la tabla que contenga "camion"(sin tilde)

Para ello he creado la base de datos asignándole el character set y collation:

Código MySQL:

create database if not exists dbase character set utf8 collate utf8_spanish_ci;
 

Luego creo la tabla de nombre texto:

Código MySQL:

create table dbase.texto ( texto varchar(10) not null );
 

Creo privilegios para esa base de datos para un usuario de nombre "user" y contraseña "1234":

Código MySQL:

grant all on dbase.* to 'user'@'%' identified by '1234';
 

Luego creo el código php y lo guardo en formato utf-8:

Código PHP:

  <?php 
 
    function connect_db() 
    { 
        $db_link = new mysqli( "localhost", "user", "1234", "dbase" ); 
        // comprobar que la conexión se efectúe 
        if( $db_link->connect_errno ) 
        { 
            echo "Conexion fallida: ".$db_link->connect_error; 
            exit(); 
        } 
        return $db_link; 
    } 
 
    function select( $texto ) 
    { 
        $db_link = connect_db(); 
 
        $result =  
            $db_link->query(  
                "select * from dbase.texto where texto like '%".addslashes($texto). 
                "%' "  
            ); 
 
        // comprobar que la consulta se efectúe 
        if( $result === false ) 
        { 
            echo "select error: ".$db_link->error . "<br/>"; 
            exit(); 
        } 
 
        // si la seleccion no es vacia, guardar el primer elemento 
        if( $result->num_rows > 0 ) 
        { 
            $row  = $result->fetch_assoc(); 
            $word = $row["texto"]; 
        } 
        // en caso contrario guardar false 
        else 
            $word  = false; 
        $db_link->close(); 
        //retornar el valor 
        return $word; 
    } 
 
    function insert( $texto ) 
    { 
        $db_link = connect_db(); 
 
        $result = $db_link->query( "insert into dbase.texto values('".$texto."')" ); 
 
        // comprobar que la inserción se efectúe 
        if( $result === false ) 
        { 
            echo "insert error: " . $db_link->error . "<br/>"; 
            exit(); 
        } 
 
        $db_link->close(); 
 
    } 
 
 
    //------------------------- 
 
    header('Content-Type: text/html; charset=UTF-8'); 
 
    // insertar camión(con acento) en base de datos 
    insert( "camión" ); 
 
    // mostrar palabra camion(sin acento) y su codigo 
    $word = "camion"; 
    echo "palabra buscada: $word<br/>codigo: "; 
    $len = strlen( $word ); 
    for( $i = 0; $i < $len; ++$i ) 
        echo ord( $word[$i] ) . " "; 
    echo "<br/><br/>"; 
 
    // buscar palabra en la base de datos 
    $texto = select( $word ); 
 
    // Si se encuentra la palabra, mostrarla 
    if( $texto !== false ) 
    { 
        echo "Palabra encontrada: \"" . $texto . "\"<br/>código: "; 
 
        $len = strlen( $texto ); 
        for( $i = 0; $i < $len; ++$i ) 
            echo ord( $texto[$i] ) . " "; 
    } 
    else 
    { 
        echo "Palabra no encontrada"; 
    } 
 
?>   

Pues bien, al ejecutar este código, como decía al inicio, no encuentra la palabra "camión", que en principio debería ser equivalente a "camion".

Código:

La salida es la siguiente:
palabra buscada: camion
codigo: 99 97 109 105 111 110 

Palabra no encontrada

Sin embargo, si cambio la linea:

Código PHP:

      $word = "camion";  
   

por

Código PHP:

      $word = "camión";  
   

Si me encuentra la palabra y la salida es:

Código:

palabra buscada: camión
codigo: 99 97 109 105 195 179 110 

Palabra encontrada: "camión"
código: 99 97 109 105 195 179 110

Como se puede apreciar, tanto la palabra de búsqueda como la que está insertada en la base de datos estan en utf-8. Pues se puede apreciar la secuencia 195 179 correspondiente al código de "ó" en utf-8.

¿Qué está pasando entonces?

Un saludo y gracias!

[jonni09lo]

Hola, yo siempre he usado es el utf8_general_ci para hacer lo que mencionas (reconocer palabras con o sin acentos)

Saludos

[Pantaláimon]

Iniciado por jonni09lo

Hola, yo siempre he usado es el utf8_general_ci para hacer lo que mencionas (reconocer palabras con o sin acentos)

Bueno, pues he probado con utf8_general_ci y no soluciono el problema.

Específicamente he borrado la base de datos y la he vuelto a crear así:

Código MySQL:

create database if not exists dbase character set utf8 collate utf8_general_ci;
 

He seguido con el resto de pasos que he descrito antes y me da las mismas salidas.

Si alguien está dispuesto a probar el código y decirme el comportamiento que le da, se lo agradecería. A ver si así puedo localizar el problema.

Un saludo!

[jonni09lo]

Hola, las tablas de tu base de datos que charset tienen? ya que se me hace extraño...

Saludos

[Pantaláimon]

He escrito paso por paso como creo la base de datos, y la tabla, en el primer post.

El character set y collate se los doy a la base de datos. La tabla en teoria los debería heredar.

Un saludo!

[jonni09lo]

Precisamente por esa razón te pregunte, ya que veo que no lo especificas:

Código SQL:

CREATE TABLE dbase.texto ( texto VARCHAR(10) NOT NULL );
 

Te preguntaba ya que como ser humano se pueden cometer errores (todo es relativo y más en programación)

Que versión de mysql estas usando?

Puedes probar también con utf8_unicode_ci y te recomiendo leer esto

Por ultimo puedes usar set_charset

Saludos

[Pantaláimon]

Mi versión es la 5.5.32
según pone aquí:

Código:

$ mysql -u root -p
Enter password: 
Welcome to the MySQL monitor.  Commands end with ; or \g.
Your MySQL connection id is 1567
Server version: 5.5.32-0ubuntu0.12.04.1 (Ubuntu)

Copyright (c) 2000, 2013, Oracle and/or its affiliates. All rights reserved.

Oracle is a registered trademark of Oracle Corporation and/or its
affiliates. Other names may be trademarks of their respective
owners.

Type 'help;' or '\h' for help. Type '\c' to clear the current input statement.

Iniciado por jonni09lo

Te preguntaba ya que como ser humano se pueden cometer errores (todo es relativo y más en programación)

Lo he probado varias veces depurando hasta donde he sabido para localizar el error. Después cuando escribía el post lo he vuelto a probar vigilando bien cada paso, por esas cosas de no hacer el ridículo más de lo necesario. Ahora lo he probado con collate utf8_unicode_ci y también diferencia vocales con y sin tilde.

Ahora he cambiado la función connect_db del codigo añadiendole el metodo set_charset:

Código PHP:

      function connect_db()
    {
        $db_link = new mysqli( "localhost", "user", "1234", "dbase" );
        // comprobar que la conexión se efectúe
        if( $db_link->connect_errno )
        {
            echo "Conexion fallida: ".$db_link->connect_error;
            exit();
        }
        $db_link->set_charset( "utf8" );
        return $db_link;
    }  
   

Y ya tiene el comoportamiento que debería tener. De todos modos, no entiendo por qué es necesario ese método si cuando creo la base de datos ya le doy el charset adecuado.

Sobre las diferencias entre utf8_unicode_ci y utf8_general_ci ya había leído algo pero tampoco le había prestado demasiado atención pues problema surgía con algunas comparaciones de caracteres que no tenían que ver con los latinos.

Un saludo y gracias!

[jonni09lo]

Lastimosamente mi conocimiento no es tan profundo sobre este tema, pero encontre esta información que podría ser de utilidad

Saludos