用SQL語句去掉重復的記錄

用SQL語句去掉重復的記錄（轉）

http://nopainnogain.iteye.com/blog/971212

海量數據（百萬以上），其中有些全部字段都相同，有些部分字段相同，怎樣高效去除重復？

如果要刪除手機(mobilePhone)，電話(officePhone)，郵件(email)同時都相同的數據，以前一直使用這條語句進行去重：

 

Sql代碼 :

 

  delete from 表 where id not in (select max(id) from 表 group by mobilePhone,officePhone,email ) or delete from 表 where id not in (select min(id) from 表 group by mobilePhone,officePhone,email )

 

 

其中下面這條會稍快些。上面這條數據對於100萬以內的數據效率還可以，重復數1/5的情況下幾分鍾到幾十分鍾不等，但是如果數據量達到300萬以上，效率驟降，如果重復數據再多點的話，常常會幾十小時跑不完，有時候會鎖表跑一夜都跑不完。無奈只得重新尋找新的可行方法，今天終於有所收獲：

Java代碼 :

 

             //查詢出唯一數據的ID,並把他們導入臨時表tmp中       

                select min(id) as mid into tmp from 表 group by mobilePhone,officePhone,email  

 

            //查詢出去重后的數據並插入finally表中    

                insert into  finally select (除ID以外的字段) from customers_1 where id in (select mid from tmp)   

 

 

效率對比：用delete方法對500萬數據去重（1/2重復）約4小時。4小時，很長的時間。

用臨時表插入對500萬數據去重（1/2重復）不到10分鍾。

其實用刪除方式是比較慢的，可能是邊找邊刪除的原因吧，而使用臨時表，可以將沒有重復的數據ID選出來放在臨時表里，再將表的信息按臨時表的選擇出來的ID，將它們找出來插入到新的表，然后將原表刪除，這樣就可以快速去重啦。

 

SQL語句去掉重復記錄，獲取重復記錄

按照某幾個字段名稱查找表中存在這幾個字段的重復數據並按照插入的時間先后進行刪除，條件取決於order by 和row_num。

方法一按照多條件重復處理：

Sql代碼 :

 

delete tmp from( select row_num = row_number() over(partition by 字段，字段 order by 時間 desc)   from 表 where 時間> getdate()-1   ) tmp   where row_num > 1   

 

方法二按照單一條件進行去重：

Sql代碼 :

 

       delete from 表 where 主鍵ID not in(   select max(主鍵ID) from 表 group by 需要去重的字段 having count(需要去重的字段)>=1   )   

 

 

 

 

注意：為提高效率如上兩個方法都可以使用臨時表， not in 中的表可以先提取臨時表#tmp，

然后采用not exists來執行，為避免數量過大，可批量用Top控制刪除量

Java代碼 

delete top(2) from 表   where  not exists (select 主鍵ID  from #tmp where #tmp.主鍵ID=表.主鍵ID)