MySQL 大批量插入，如何过滤掉重复数据？

lsekfe

加班原因是上线，解决线上数据库存在重复数据的问题，发现了程序的bug，很好解决，有点问题的是，修正线上的重复数据。
　　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。

1. CREATE TABLE `animal` (  
   
2. 　　  `id` int(11) NOT NULL AUTO_INCREMENT,  
   
3. 　　  `name` varchar(20) DEFAULT NULL,  
   
4. 　　  `age` int(11) DEFAULT NULL,  
   
5. 　　  PRIMARY KEY (`id`)  
   
6. 　　) ENGINE=InnoDB AUTO_INCREMENT=1 DEFAULT CHARSET=utf8 COLLATE=utf8_bin;  
   
7. 　　INSERT INTO `pilipa_dds`.`student` (`id`, `name`, `age`) VALUES ('1', 'cat', '12');  
   
8. 　　INSERT INTO `pilipa_dds`.`student` (`id`, `name`, `age`) VALUES ('2', 'dog', '13');  
   
9. 　　INSERT INTO `pilipa_dds`.`student` (`id`, `name`, `age`) VALUES ('3', 'camel', '25');  
   
10. 　　INSERT INTO `pilipa_dds`.`student` (`id`, `name`, `age`) VALUES ('4', 'cat', '32');  
    
11. 　　INSERT INTO `pilipa_dds`.`student` (`id`, `name`, `age`) VALUES ('5', 'dog', '42');

复制代码

目标：我们要去掉name相同的数据。
　　先看看哪些数据重复了：

1. SELECT name,count( 1 )   
   
2. 　　FROM  
   
3. 　　 student   
   
4. 　　GROUP BY  
   
5. 　　NAME   
   
6. 　　HAVING  
   
7. 　　 count( 1 ) > 1;

复制代码

输出：

1. name count(1) cat 2 dog 2

复制代码

name为cat和dog的数据重复了，每个重复的数据有两条；

1. 　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)

复制代码

删除全部重复数据，一条不留
　　直接删除会报错：

1. DELETE   
   
2. 　　FROM  
   
3. 　　 student   
   
4. 　　WHERE  
   
5. 　　 NAME IN (  
   
6. 　　 SELECT NAME   
   
7. 　　 FROM  
   
8. 　　  student   
   
9. 　　 GROUP BY  
   
10. 　　 NAME   
    
11. 　　HAVING  
    
12. 　　 count( 1 ) > 1)

复制代码

报错：

1. 1093 - You can't specify target table 'student' for update in FROM clause, Time: 0.016000s

复制代码

原因是：更新这个表的同时又查询了这个表，查询这个表的同时又去更新了这个表，可以理解为死锁。mysql不支持这种更新查询同一张表的操作。
　　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。

1. 　DELETE   
   
2. 　　FROM  
   
3. 　　 student   
   
4. 　　WHERE  
   
5. 　　 NAME IN (  
   
6. 　　 SELECT  
   
7. 　　  t.NAME   
   
8. 　　FROM  
   
9. 　　 ( SELECT NAME FROM student GROUP BY NAME HAVING count( 1 ) > 1 ) t)

复制代码

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。

1. 　SELECT  
   
2. 　　 *   
   
3. 　　FROM  
   
4. 　　 student   
   
5. 　　WHERE  
   
6. 　　 id NOT IN (  
   
7. 　　 SELECT  
   
8. 　　  t.id   
   
9. 　　 FROM  
   
10. 　　 ( SELECT MIN( id ) AS id FROM student GROUP BY `name` ) t   
    
11. 　　 )

复制代码

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。

1. 　DELETE   
   
2. 　　FROM  
   
3. 　　 student   
   
4. 　　WHERE  
   
5. 　　 id NOT IN (  
   
6. 　　 SELECT  
   
7. 　　  t.id   
   
8. 　　 FROM  
   
9. 　　 ( SELECT MIN( id ) AS id FROM student GROUP BY `name` ) t   
   
10. 　　 )

复制代码

90万+的表执行起来超级快。

千里

玩这东西很有意思