首页 > Linux系统管理 > MySQL重复数据处理
2015
09-28

MySQL重复数据处理

前不久有个开发问我,能不能把重复的数据去除,留下唯一的数据。然后我问他为什么有这么重复的数据呢,他说写了程序去爬数据,爬到很多重复的。我擦,你就不能添加主键或者唯一键保证行数据的唯一性吗?表或结果集有时含有重复记录,有时它是允许的,但有时它被要求停止使用重复记录。有时,需要识别重复记录并从表中删除它们,下面我们举几个小例子说明下。

需求:

1、向一张表里插入数据,如果行数据存在就不插入,当行数据不存在就插入

2、删除一个表里出现相同的行记录

一、向一个表插入数据,表没有主键和唯一键的情况下,可以插入重复数据,而且不会报错:

mysql> SHOW CREATE TABLE  USER\G        
*************************** 1. ROW ***************************
       TABLE: USER
CREATE TABLE: CREATE TABLE `user` (
  `first_name` CHAR(20) DEFAULT NULL,
  `code` CHAR(20) DEFAULT NULL,
  `sex` CHAR(10) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8
1 ROW IN SET (0.00 sec)
 
mysql>

往表里插入数据,可以插入大量的重复数据而且不会报错:

mysql> INSERT INTO USER VALUES ('aa','GZ','M');      
Query OK, 1 ROW affected (0.05 sec)
 
mysql> INSERT INTO USER VALUES ('aa','GZ','M');
Query OK, 1 ROW affected (0.04 sec)
 
mysql> SELECT * FROM USER;
+------------+------+------+
| first_name | code | sex  |
+------------+------+------+
| aa         | GZ   | M    |
| aa         | GZ   | M    |
+------------+------+------+
2 ROWS IN SET (0.00 sec)
 
mysql>

为了防止表中被创建的多个记录具有相同的值,添加一个主键(PRIMARY KEY)到它的定义。 当要做这一点,也必须声明索引列是NOT NULL,因为PRIMARY KEY不允许NULL值:

mysql> SHOW CREATE TABLE USER\G
*************************** 1. ROW ***************************
       TABLE: USER
CREATE TABLE: CREATE TABLE `user` (
  `first_name` CHAR(20) NOT NULL DEFAULT '',
  `code` CHAR(20) NOT NULL DEFAULT '',
  `sex` CHAR(10) DEFAULT NULL,
  PRIMARY KEY (`first_name`,`code`)
) ENGINE=InnoDB DEFAULT CHARSET=utf8
1 ROW IN SET (0.00 sec)
 
mysql>

如果插入一条与现有记录重复到表,在列或定义索引列,表中一个唯一索引的存在通常会导致错误的发生:

mysql> INSERT INTO USER VALUES ('aa','GZ','M');                  
Query OK, 1 ROW affected (0.04 sec)
 
mysql> INSERT INTO USER VALUES ('aa','GZ','M');
ERROR 1062 (23000): Duplicate entry 'aa-GZ' FOR KEY 'PRIMARY'
mysql>

可以看到了吧,报错了,如果是执行一个sql脚本,报错就可能退出脚本了,后面的SQL语句就不会执行了,当然你可以加上 -f 参数。但报错的提示总是让人感觉到不安,哈哈,我们可以用INSERT IGNORE和REPLACE INTO去插入数据,朋友友可以通过HELP INSERT 和 HELP REPLACE去了解下用法,这里不作过多的说明

mysql> SELECT * FROM USER;
+------------+------+------+
| first_name | code | sex  |
+------------+------+------+
| aa         | GZ   | M    |
+------------+------+------+
1 ROW IN SET (0.00 sec)
 
mysql> INSERT IGNORE USER VALUES ('aa','GZ','M');
Query OK, 0 ROWS affected (0.00 sec)
 
mysql>

可以看到用INSERT IGNORE的语法插入就没报错了,如果记录与现有现有不重复时,MySQL将其正常插入。如果记录是一个重复的,则 IGNORE 关键字告诉MySQL丢弃它而不会产生错误。

我们再来看看用REPLACE INTO的效果:

mysql> REPLACE INTO USER VALUES ('aa','GZ','M');
Query OK, 1 ROW affected (0.05 sec)
 
mysql> SELECT * FROM USER;
+------------+------+------+
| first_name | code | sex  |
+------------+------+------+
| aa         | GZ   | M    |
+------------+------+------+
1 ROW IN SET (0.00 sec)

可以看到没报错,使用REPLACE,如果记录是新的,它插入就像使用INSERT。如果它是重复的,新的记录将取代旧的记录。

INSERT IGNORE和REPLACE应根据实现的重复处理行为来选择。INSERT忽略保持第一套重复记录,并丢弃剩下的。REPLACE保持最后一组重复的和擦除任何较早的记录。

二、从查询结果消除重记录

方法一:

mysql> SHOW CREATE TABLE user2\G
*************************** 1. ROW ***************************
       TABLE: user2
CREATE TABLE: CREATE TABLE `user2` (
  `first_name` CHAR(20) DEFAULT NULL,
  `code` CHAR(20) DEFAULT NULL,
  `sex` CHAR(10) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8
1 ROW IN SET (0.00 sec)
 
mysql>

往表里插入相当数据做测试:

mysql> INSERT INTO user2 VALUES ('bb','BJ','N');
Query OK, 1 ROW affected (0.03 sec)
 
mysql> INSERT INTO user2 VALUES ('bb','BJ','N');
Query OK, 1 ROW affected (0.02 sec)
 
mysql> INSERT INTO user2 VALUES ('cc','SH','M');
Query OK, 1 ROW affected (0.03 sec)
 
mysql> INSERT INTO user2 VALUES ('cc','SH','M');
Query OK, 1 ROW affected (0.03 sec)

我们可以从查询的结果中消除相同的记录:

mysql> SELECT DISTINCT first_name,code FROM user2 ORDER BY first_name;
+------------+------+
| first_name | code |
+------------+------+
| bb         | BJ   |
| cc         | SH   |
+------------+------+
2 ROWS IN SET (0.00 sec)
 
mysql>

替代DISTINCT方法是添加GROUP BY子句列名称到选择的列。这有删除重复并选择在指定的列值的唯一组合的效果:

mysql> CREATE TABLE tmp SELECT first_name,code,sex FROM user2 GROUP BY (first_name,code);         
ERROR 1786 (HY000): CREATE TABLE ... SELECT IS forbidden WHEN ENFORCE_GTID_CONSISTENCY = 1.
mysql> SHOW VARIABLES LIKE 'ENFORCE_GTID_CONSISTENCY';
+--------------------------+-------+
| Variable_name            | VALUE |
+--------------------------+-------+
| enforce_gtid_consistency | ON    |
+--------------------------+-------+
1 ROW IN SET (0.00 sec)

如果开了GTID复制的,这样的执行就会报错,所以要关了GTID复制的几个参数才可以,这变量只能修改配置文件才能生效,不支持在线修改,修改后重启再试试:

mysql> SELECT first_name,code,sex FROM user2 ;
+------------+------+------+
| first_name | code | sex  |
+------------+------+------+
| bb         | BJ   | N    |
| bb         | BJ   | N    |
| cc         | SH   | M    |
| cc         | SH   | M    |
+------------+------+------+
4 ROWS IN SET (0.00 sec)
mysql> CREATE TABLE tmp SELECT first_name,code,sex FROM user2 GROUP BY first_name,code;
Query OK, 2 ROWS affected (0.44 sec)
Records: 2  Duplicates: 0  Warnings: 0
 
mysql>

可以看到可以创建表并且插入数据了。把原来的表DROP掉,再把临时表修改名字为之前的表名:

mysql> DROP TABLE user2;
Query OK, 0 ROWS affected (0.12 sec)
 
mysql> RENAME TABLE tmp TO user2;
Query OK, 0 ROWS affected (0.13 sec)
 
mysql> SELECT * FROM user2;
+------------+------+------+
| first_name | code | sex  |
+------------+------+------+
| bb         | BJ   | N    |
| cc         | SH   | M    |
+------------+------+------+
2 ROWS IN SET (0.00 sec)
 
mysql>

方法二:

从表中删除重复记录的一个简单的方法就添加索引(INDEX) 或 主键(PRIMAY KEY)到该表。即使该表已经提供,可以使用此技术来删除重复的记录

mysql> SELECT * FROM user2;
+------------+------+------+
| first_name | code | sex  |
+------------+------+------+
| bb         | BJ   | N    |
| cc         | SH   | M    |
| bb         | BJ   | N    |
| cc         | SH   | M    |
+------------+------+------+
4 ROWS IN SET (0.00 sec)
 
mysql> ALTER IGNORE TABLE user2 ADD PRIMARY KEY (first_name,code);
Query OK, 4 ROWS affected (1.22 sec)
Records: 4  Duplicates: 2  Warnings: 0
 
mysql> SELECT * FROM user2;
+------------+------+------+
| first_name | code | sex  |
+------------+------+------+
| bb         | BJ   | N    |
| cc         | SH   | M    |
+------------+------+------+
2 ROWS IN SET (0.00 sec)
 
mysql>

总结:

一、可以用INSERT IGNORE和REPLACE实现重复行数据处理,另一种方法是强制唯一性是增加唯一(UNIQUE)索引,而不是一个主键(PRIMARY KEY)来实现数据的唯一。

二、通过CREATE TABLE tmp SELECT xx的方式来来创建表,要关闭GTID复制才能执行,如果线上的主从复制是基于GTID的,只能用添加索引(INDEX)或主键(PRIMAY KEY)到该表去消除相同的行记录了。

三、这些需求在现实生活中肯定会有的,所以希望大家多测试,分享更多的想法

最后编辑:
作者:saunix
大型互联网公司linux系统运维攻城狮,专门担当消防员

留下一个回复