欢迎您访问程序员文章站本站旨在为大家提供分享程序员计算机编程知识!
您现在的位置是: 首页  >  IT编程

MariaDB删除重复记录

程序员文章站 2023-01-13 20:15:43
不管是程序BUG,还是业务变更,重复数据这个老生常谈的问题,总是会出现。以下是我在MariaDB或是MySQL下处理的一些经验。在SQL Server中,使用窗口函数是很容易实现的。不过听说MySQL 8.0和MariaDB 10.2以上均支持窗口函数了。等有机会再来测试使用窗口函数来删除重复记录。 ......

不管是程序BUG,还是业务变更,重复数据这个老生常谈的问题,总是会出现。以下是我在MariaDB或是MySQL下处理的一些经验。在SQL Server中,使用窗口函数是很容易实现的。不过听说MySQL 8.0和MariaDB 10.2以上均支持窗口函数了。等有机会再来测试使用窗口函数来删除重复记录。

背景

表t_record中的数据fromUserId, toUserId两个字段组合作为唯一的标识,删除重复记录,只留下最大id(或最新时间)的记录。id为自增无重复的主键。

表t_record的id作为自增的主键。

表t_record大概有6万多的数据。以下测试均在资源很差的主机上,t_record没有在使用的情况下的结果。

方法1

查询重复的记录

SELECT fromUserId, toUserId, count(*)
FROM t_record as tr
GROUP BY fromUserId, toUserId
HAVING count(*) > 1;

把重复记录的两个字段放到临时表_tmp1中

CREATE TABLE _tmp1
SELECT fromUserId, toUserId
FROM t_record as tr
GROUP BY fromUserId, toUserId
HAVING count(*) > 1;

把应该删除的id查询出来,放到临时表_tmp2中

CREATE TABLE _tmp2
SELECT id
FROM t_record as a
WHERE (a.fromUserId, a.toUserId) in (

SELECT fromUserId, toUserId from _tmp1
)
and a.id not in (
SELECT MAX(id)
FROM t_record as tr
GROUP BY fromUserId, toUserId
HAVING count(*) > 1
);

删除原表的记录

DELETE from t_record
where id in (
    SELECT id from _tmp2
);

通过以前3个步骤,没有删除数据大概需要23秒左右。

方法2

如果表中没有主键,也没有可以标识唯一记录的字段。只能是把原表的数据分表后,插入到另一张临时表,删除原表数据,把临时表的数据导回来。

这种方法也适用合于有主键或有唯一标识的表,但操作过程中会影响在线的业务,需要中断业务。否则可能会造成数据丢失或数据不一致。
数据量大的表,导两次数据,过程会很慢,同时也需要注意硬盘空间是否足够。

方法3

测试mysql不支持以下这种delete语法来删除数据。改为select id 存到临时表,查询非常慢。

DELETE a 
FROM table_nam a
WHERE EXISTS (SELECT 1 FROM table_nam b
                 WHERE b.userid = a.userid AND b.CreateDate > a.CreateDate);

方法4

在mariadb 10.1.19下测试,60多秒。
这个方法简单,只需要一条语句,速度还行。

DELETE 
from t_record 
where id not in (
        select maxid from 
                (select max(id) as  maxid from  t_record
                        group by fromUserId,toUserId                
                ) b
);

现对方法4的进行改造,再测试下。11.5秒。快好几倍了。

CREATE OR REPLACE TABLE _tmp3
SELECT id
FROM t_record 
WHERE id NOT IN (
        SELECT maxid FROM 
                (SELECT max(id) AS  maxid FROM t_record
                        GROUP BY fromUserId,toUserId                
                ) b
);

DELETE FROM t_record
WHERE id IN (
        SELECT id from _tmp3
);

对临时表创建主键,再测试下。1.2秒!WOW!!!

CREATE OR REPLACE TABLE _tmp3 (id INT NOT NULL PRIMARY KEY);

INSERT INTO _tmp3 (id)
SELECT id
FROM t_record 
WHERE id NOT IN (
        SELECT maxid FROM 
                (SELECT max(id) AS  maxid FROM t_record
                        GROUP BY fromUserId,toUserId                
                ) b
);

DELETE FROM t_record 
        WHERE id IN (
                SELECT id from _tmp3
);

还以不能再快呢?改IN子句为JOIN,再测试下。1秒!

CREATE OR REPLACE TABLE _tmp3 (id INT NOT NULL PRIMARY KEY);

INSERT INTO _tmp3 (id)
SELECT id
FROM t_record 
WHERE id NOT IN (
        SELECT maxid FROM 
                (SELECT max(id) AS  maxid FROM t_record
                        GROUP BY fromUserId,toUserId                
                ) b
);

DELETE a FROM t_record as a INNER JOIN _tmp3 as b on b.id = a.id;

难道删除的那个语句的执行计划是不同的吗?由于mysql只支持select的执行查询,所以把删除的语句修改为查询语句。

root@localhost [db1]EXPLAIN SELECT id FROM t_record WHERE id IN ( SELECT id from _tmp3 );
+------+-------------+-------------------+--------+---------------+---------+---------+--------------------+------+--------------------------+
| id   | select_type | table             | type   | possible_keys | key     | key_len | ref                | rows | Extra                    |
+------+-------------+-------------------+--------+---------------+---------+---------+--------------------+------+--------------------------+
|    1 | PRIMARY     | _tmp3             | index  | PRIMARY       | PRIMARY | 4       | NULL               |  452 | Using index              |
|    1 | PRIMARY     | t_record          | eq_ref | PRIMARY       | PRIMARY | 8       | testdb._tmp3.id |    1 | Using where; Using index |
+------+-------------+-------------------+--------+---------------+---------+---------+--------------------+------+--------------------------+
2 rows in set (0.00 sec)
root@localhost [db1]EXPLAIN SELECT a.id FROM t_record as a INNER JOIN _tmp3 as b on b.id = a.id;
+------+-------------+-------+--------+---------------+---------+---------+----------------+------+--------------------------+
| id   | select_type | table | type   | possible_keys | key     | key_len | ref            | rows | Extra                    |
+------+-------------+-------+--------+---------------+---------+---------+----------------+------+--------------------------+
|    1 | SIMPLE      | b     | index  | PRIMARY       | PRIMARY | 4       | NULL           |  452 | Using index              |
|    1 | SIMPLE      | a     | eq_ref | PRIMARY       | PRIMARY | 8       | testdb.b.id    |    1 | Using where; Using index |
+------+-------------+-------+--------+---------------+---------+---------+----------------+------+--------------------------+
2 rows in set (0.01 sec)

对比执行计划,是一样的。但测试多次,用JOIN方式速度还是快些。为什么呢?