删除数据库表中重复数据的方法

一直使用Postgresql数据库，有一张表是这样的：

1. DROP TABLE IF EXISTS "public"."devicedata";
2. CREATE TABLE "public"."devicedata" (
3.   "Id" varchar(200) COLLATE "pg_catalog"."default" NOT NULL,
4.   "DeviceId" varchar(200) COLLATE "pg_catalog"."default",
5.   "Timestamp" int8,
6.   "DataArray" float4[]
7. )
9. CREATE INDEX "timeIndex" ON "public"."devicedata" USING btree (
10.   "Timestamp" "pg_catalog"."int8_ops" DESC NULLS LAST,
11.   "DeviceId" COLLATE "pg_catalog"."default" "pg_catalog"."text_ops" ASC NULLS LAST
12. );
14. ALTER TABLE "public"."devicedata" ADD CONSTRAINT "devicedata_pkey" PRIMARY KEY ("Id");

复制代码

主键为Id，是通过程序生成的GUID，随着数据表的越来越大（70w），即便我建立了索引，查询效率依然不乐观。

使用GUID作为数据库的主键对分布式应用比较友好，但是不利于数据的插入，可以使用类似ABP的方法生成连续的GUID解决这个问题。

为了进行优化，计划使用DeviceId与Timestamp作为主键，由于主键会自动建立索引，使用这两个字段查询的时候，查询效率可以有很大的提升。不过，由于数据库的插入了很多的重复数据，直接切换主键不可行，需要先剔除重复数据。
使用group by

数据量小的时候适用。对于我这个70w的数据，查询运行了半个多小时也无法完成。

1. DELETE FROM "DeviceData"
2. WHERE "Id"
3. NOT IN (
4. SELECT max("Id")
5. FROM "DeviceData_temp"
6. GROUP BY "DeviceId", "Timestamp"
7. );

复制代码

使用DISTINCT

建立一张新表然后插入数据，或者使用select into语句。

1. SELECT DISTINCT "Timestamp", "DeviceId"
2. INTO "DeviceData_temp"
3. FROM "DeviceData";
4. -- 删除原表
5. DROP TABLE "DeviceData";
6. -- 将新表重命名
7. ALTER TABLE "DeviceData_temp" RENAME TO "DeviceData";

复制代码

不过这个问题也非常大，很明显，未来的表，是不需要Id列的，但是DataArray也没有了，没有意义。

如果SELECT DISTINCT "Timestamp", "DeviceId", "DataArray"，那么可能出现"Timestamp", "DeviceId"重复的现象。

使用ON CONFLICT

如果我们直接建立新表格，设置好新的主键，然后插入数据，如果重复了就跳过不就行了？但是使用select into是不行了，重复的数据会导致语句执行中断。需要借助upsert（on conflict）方法。

1. INSERT INTO "DeviceData_temp"
2. SELECT * FROM "DeviceData"
3. on conflict("DeviceId", "Timestamp") DO NOTHING;
4. -- 删除原表
5. DROP TABLE "DeviceData";
6. -- 将新表重命名
7. ALTER TABLE "DeviceData_temp" RENAME TO "DeviceData";

复制代码

执行不到100s就完成了，删除了许多重复数据。
参考文献

https://blog.csdn.net/wendred/article/details/84704042

免责声明：如果侵犯了您的权益，请联系站长，我们会及时删除侵权内容，谢谢合作！