作者：杨涛涛

正好最近在帮客户从达梦数据库迁移到 MySQL。我也来简单说说重复数据的处理。

存放在数据库中的数据分为三种：

1. 一种是经过严格意义过滤出来的数据。比如程序端过滤数据源、数据库端在表字段上设置 check 标记过滤数据源、设置触发器过滤、调用存储过程过滤等等；

2. 另一种是原始的没有经过任何处理的数据。比如程序端代码异常导致产生非正常的想要的数据、数据库端没有设置任何过滤规则的数据保留等等。这样会产生一系列垃圾数据，当然也包含了我今天要说的重复的数据。

3. 最后一种是 SQL 语句在执行过程中可能产生的重复数据。比如两表外联，总会产生一系列 NULL。

今天我要说的重复数据，不包含 SQL 语句在执行中产生的重复数据，只包含了原始重复数据的处理。接下来，用几个经典的场景来说下。

第一种，记录完全重复，这其实是最最简单的去重场景。

比如无主键的表 d1

mysql-(ytt/3305)->show create table d1\G*************************** 1. row ***************************       Table: d1Create Table: CREATE TABLE `d1` (  `r1` int(11) DEFAULT NULL,  `r2` int(11) DEFAULT NULL) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci1 row in set (0.00 sec)

记录数总共为四百万。

mysql-(ytt/3305)->select count(*) from d1 limit 2;+----------+| count(*) |+----------+|  4000000 |+----------+1 row in set (0.18 sec)

可以看到足足有四分之三的记录是重复的。

mysql-(ytt/3305)->select count(distinct r1,r2) from d1 ;+-----------------------+| count(distinct r1,r2) |+-----------------------+|               1000000 |+-----------------------+1 row in set (2.68 sec)

比如记录（1，1）就有四条。

mysql-(ytt/3305)-> select * from db1 order by r1,r2 limit 5;+------+------+| r1   | r2   |+------+------+|    1 |    1 ||    1 |    1 ||    1 |    1 ||    1 |    1 ||    2 |    2 |+------+------+5 rows in set (1.65 sec)

这种去重非常简单，要么在数据库层做，要么把数据导出来筛选好在导到数据库里来。

在数据库里做，无非就是新建一张克隆表，完了把正常数据筛选出来，再重新命名后，删掉原来的表，步骤也不是非常繁琐，例子如下：

mysql-(ytt/3305)->create table d2 like d1;Query OK, 0 rows affected (0.01 sec)

时间主要耗费在去重并且插入新表这里

mysql-(ytt/3305)->insert into d2 select distinct r1,r2 from d1;Query OK, 1000000 rows affected (19.40 sec)Records: 1000000  Duplicates: 0  Warnings: 0mysql-(ytt/3305)->alter table d1 rename to d1_bak;Query OK, 0 rows affected (0.00 sec)mysql-(ytt/3305)->alter table d2 rename to d1;Query OK, 0 rows affected (0.00 sec)mysql-(ytt/3305)->drop table d1_bak;Query OK, 0 rows affected (0.00 sec)

上面总共花了大概 20 秒的样子，再来看看在系统层面上去重，先导出数据，

mysql-(ytt/3305)->select * from db1 into outfile '/var/lib/mysql-files/d1.txt';Query OK, 4000000 rows affected (1.84 sec)

系统层面去重，用 OS 自带的工具 sort 和 uniq。

root@ytt-pc:/var/lib/mysql-files# time cat d1.txt |sort -g  |uniq > d1_uniq.txtreal    0m7.345suser    0m7.528ssys     0m0.272s

导入到原表，

mysql-(ytt/3305)->truncate table d1;Query OK, 0 rows affected (0.05 sec)root@ytt-pc:/var/lib/mysql-files# mv d1_uniq.txt  d1.txt

把处理好的数据直接导入到数据库

root@ytt-pc:/home/ytt/scripts# time mysqlimport -uytt -pytt -P3305 -h 127.0.0.1   --use-threads=2 -vvv ytt /var/lib/mysql-files/d1.txtmysqlimport: [Warning] Using a password on the command line interface can be insecure.Connecting to 127.0.0.1Selecting database yttLoading data from SERVER file: /var/lib/mysql-files/d1.txt into d1ytt.d1: Records: 1000000  Deleted: 0  Skipped: 0  Warnings: 0Disconnecting from 127.0.0.1real    0m3.272suser    0m0.012ssys     0m0.008s

看下处理好的记录，

mysql-(ytt/3305)->select * from d1 where 1 order by r1,r2 limit 2;+------+------+| r1   | r2   |+------+------+|    1 |    1 ||    2 |    2 |+------+------+2 rows in set (0.40 sec)

OS 层面稍微效率高些，总体包括数据导出，数据去重，数据导入，差不多是数据库层时间的一半。

第二种，其实和第一种类似，不同的是表有主键，但是其他的字段记录值是重复的。

举个例子，表 d4 除了加了主键，其他的记录和之前的一模一样。记录如下：

mysql-(ytt/3305)->select * from d4 order by r1,r2 limit 5;+---------+------+------+| id      | r1   | r2   |+---------+------+------+|       1 |    1 |    1 || 3000001 |    1 |    1 || 2000001 |    1 |    1 || 1000001 |    1 |    1 ||       2 |    2 |    2 |+---------+------+------+5 rows in set (1.08 sec)

但是这种一般就得需要和具体的业务商量了，比如我需要留下重复记录的最大主键值，比如上面这个，留下最大的 id 为 3000001 这条记录。这样的去重一条 sql 就搞定了，

mysql-(ytt/3305)->delete a from d4 a left join (select max(id) id from d4 group by r1, r2) b using(id) where b.id is null;Query OK, 3000000 rows affected (23.29 sec)

去掉了 300W 行重复记录，剩下四分之一的正常数据。

mysql-(ytt/3305)->select count(*) from d4;+----------+| count(*) |+----------+|  1000000 |+----------+1 row in set (0.06 sec)

来看下效果，保留了最大值，其他的删掉了。

mysql-(ytt/3305)->select * from d4 order by r1,r2 limit 5;+---------+------+------+| id      | r1   | r2   |+---------+------+------+| 3000001 |    1 |    1 || 3000002 |    2 |    2 || 3000003 |    3 |    3 || 3000004 |    4 |    4 || 3000005 |    5 |    5 |+---------+------+------+5 rows in set (0.25 sec)

第三种，不同于前面两种，这种体现在字段值里多余的字符，比如空格，多余的换行符等。依然看看几个例子：

1. 去掉字段值内前后的空白字符，是这类里最简单的。这种 MySQL 有现成的函数，一条基础的 SQL 即可。　

表y11 有500W行示例数据mysql-(ytt/3305)->select count(*) from y11;+----------+| count(*) |+----------+|  5242880 |+----------+1 row in set (0.30 sec)利用trim函数。mysql-(ytt/3305)->update y11 set r1 = trim(r1), r2 = trim(r2);Query OK, 5242880 rows affected (2 min 1.56 sec)Rows matched: 5242880  Changed: 5242880  Warnings: 0mysql-(ytt/3305)->select * from y11 limit 5;+----+------------------------+------------------------+| id | r1                     | r2                     |+----+------------------------+------------------------+|  1 | sql server             | sql server             ||  2 | sql server             | sql server             ||  3 | sql server             | sql server             ||  6 | db2 mysql oracle mysql | db2 mysql oracle mysql ||  7 | db2 mysql oracle mysql | db2 mysql oracle mysql |+----+------------------------+------------------------+5 rows in set (0.00 sec)

2. 去掉单词中间的各种空白字符（空格，换行，制表符等)；单词前后，中间都有空格的场景。

依然是表 y11，从结果来看，各种换行符，空格已经让结果无法正常显示了。

mysql-(ytt/3305)->select * from y11　limit 5;+----+-----------------------------------------------------+------------------------------------------------------+| id | r1                                                  | r2                                                   |+----+-----------------------------------------------------+------------------------------------------------------+|  1 | sql server                                          | sql server                                           ||  2 | sql       server                                    | sql            server                                |server                                         | sql      server                                         | |           mysql | db2         mysql         oracle | 7 | db2         mysql         oracle                 mysql | db2         mysql         oracle                mysql+----+-----------------------------------------------------+------------------------------------------------------+5 rows in set (0.00 sec)

可能最先想到的方法是把数据导出为文本文件，完了用 linux 上的各种工具处理完了再导进去，比如：

mysql-(ytt/3305)->select * from y11 into outfile '/var/lib/mysql-files/y11.txt'  fields terminated by ',' enclosed by '"';Query OK, 5242880 rows affected (3.54 sec)mysql-(ytt/3305)->truncate y11;Query OK, 0 rows affected (0.23 sec)

用 sed 处理下，替换掉所有的空白字符。

root@ytt-pc:/var/lib/mysql-files# time sed -i 's/\s\+/ /g' y11.txtreal    0m27.476suser    0m20.105ssys     0m7.233s

导入到表 y11

mysql-(ytt/3305)->load data infile '/var/lib/mysql-files/y11.txt' into table y11 fields terminated by ',' enclosed by '"';Query OK, 5242880 rows affected (30.25 sec)Records: 5242880  Deleted: 0  Skipped: 0  Warnings: 0

上面虽然达成了目的，但是过程过于繁琐，如果 MySQL 层实在解决不了再考虑。

完全可以利用 MySQL 的正则替换功能直接替换掉多余的字符为一个空格，也是一条简单的 SQL。

mysql-(ytt/3305)->update y11 set r1 = regexp_replace(r1,'[[:space:]]+',' '), r2 = regexp_replace(r2,'[[:space:]]+',' ');Query OK, 4194304 rows affected (1 min 32.05 sec)Rows matched: 5242880  Changed: 4194304  Warnings: 0

只是时间上稍微长些，不过也影响不是很大。

mysql-(ytt/3305)->select * from y11 limit 5;+----+------------------------+-------------------------+| id | r1                     | r2                      |+----+------------------------+-------------------------+|  1 | sql server             | sql server              ||  2 | sql server             | sql server              ||  3 | sql server             | sql server              ||  6 | db2 mysql oracle mysql | db2 mysql oracle mysql  ||  7 | db2 mysql oracle mysql | db2 mysql oracle mysql  |+----+------------------------+-------------------------+5 rows in set (0.00 sec)

我想可能日常数据处理难免会有数据去重的场景，希望这部分内容对大家有帮助。