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：
- 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；
- 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；
- 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: d1
Create Table: CREATE TABLE `d1` (
`r1` int(11) DEFAULT NULL,
`r2` int(11) DEFAULT NULL
) ENGINE=InnoDB DEFAULT CHARSET=utf8mb4 COLLATE=utf8mb4_0900_ai_ci
1 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: 0
mysql-(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.txt
real 0m7.345s
user 0m7.528s
sys 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.txt
mysqlimport: [Warning] Using a password on the command line interface can be insecure.
Connecting to 127.0.0.1
Selecting database ytt
Loading data from SERVER file: /var/lib/mysql-files/d1.txt into d1
ytt.d1: Records: 1000000 Deleted: 0 Skipped: 0 Warnings: 0
Disconnecting from 127.0.0.1
real 0m3.272s
user 0m0.012s
sys 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: 0
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)
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.txt
real 0m27.476s
user 0m20.105s
sys 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。