线上库有6个表存在重复数据,其中2个表比较大,一个96万+、一个30万+,因为之前处理过相同的问题,就直接拿来了上次的Python去重脚本,脚本很简单,就是连接数据库,查出来重复数据,循环删除。

emmmm,但是这个效率嘛,实在是太低了,1秒一条,重复数据大约2万+,预估时间大约在8个小时左右。。。
盲目依靠前人的东西,而不去自己思考是有问题的!总去想之前怎么可以,现在怎么不行了,这也是有问题的!我发现,最近确实状态不太对,失去了探索和求知的欲望,今天算是一个警醒,颇有迷途知返的感觉。
言归正传,下面详细介绍去重步骤
CREATETABLE`animal` (`id`int(11) NOTNULL AUTO_INCREMENT,`name`varchar(20) DEFAULTNULL,`age`int(11) DEFAULTNULL, PRIMARY KEY (`id`)) ENGINE=InnoDB AUTO_INCREMENT=1DEFAULTCHARSET=utf8 COLLATE=utf8_bin;INSERTINTO`pilipa_dds`.`student` (`id`, `name`, `age`) VALUES ('1', 'cat', '12');INSERTINTO`pilipa_dds`.`student` (`id`, `name`, `age`) VALUES ('2', 'dog', '13');INSERTINTO`pilipa_dds`.`student` (`id`, `name`, `age`) VALUES ('3', 'camel', '25');INSERTINTO`pilipa_dds`.`student` (`id`, `name`, `age`) VALUES ('4', 'cat', '32');INSERTINTO`pilipa_dds`.`student` (`id`, `name`, `age`) VALUES ('5', 'dog', '42');

目标:我们要去掉name相同的数据

先看看哪些数据重复了
SELECT name,count( 1 ) FROM student GROUP BYNAME HAVING count( 1 ) > 1;

输出:

name count(1) cat 2 dog 2
name为cat和dog的数据重复了,每个重复的数据有两条;
Select * From 表 Where 重复字段 In (Select 重复字段 From 表 Group By 重复字段 Having Count(1)>1)

删除全部重复数据,一条不留

直接删除会报错
DELETEFROM student WHERENAMEIN (SELECTNAMEFROM student GROUPBYNAMEHAVINGcount( 1 ) > 1)

报错:

1093 - You can't specify target table 'student' for update in FROM clause, Time: 0.016000s
解决办法:把要更新的几列数据查询出来做为一个第三方表,然后筛选更新。
DELETEFROM student WHERENAMEIN (SELECT t.NAME FROM ( SELECTNAMEFROM student GROUPBYNAMEHAVINGcount1 ) > 1 ) t)

删除表中删除重复数据,仅保留一条

在删除之前,我们可以先查一下,我们要删除的重复数据是啥样的
SELECT * FROM student WHEREidNOTIN (SELECT t.id FROM ( SELECTMIN( id ) ASidFROM student GROUPBY`name` ) t )
啥意思呢,就是先通过name分组,查出id最小的数据,这些数据就是我们要留下的火种,那么再查询出id不在这里面的,就是我们要删除的重复数据。

开始删除重复数据,仅留一条

很简单,刚才的select换成delete即可
DELETEFROM student WHEREidNOTIN (SELECT t.id FROM ( SELECTMIN( id ) ASidFROM student GROUPBY`name` ) t )
90万+的表执行起来超级快。
文章转载:程序员老鬼

(版权归原作者所有,侵删)

点击下方“阅读原文”查看更多
继续阅读
阅读原文