0

我正在尝试从具有数百万行的表中删除重复的行。我要检查重复项的字段太长（它正在存储 URL），无法放置UNIQUE索引。有什么方法可以快速删除重复项？

删除重复项的推荐方法：

DELETE t1 FROM table1 AS t1 JOIN table1 AS t2 ON t1.id>t2.id AND t1.name=t2.name;

似乎永远不会完成它的工作，尽管我想它可能只需要很多时间来完成。

我在这里听到的一个想法是创建一个MD5哈希列用于索引和比较。这是推荐的路线吗？如果是这样，出于空间/速度考虑，我是否应该截断此列？

4

2 回答 2

0

哈希将为您提供一个可以放置和索引的列，因此 t1.Name = t2.Name 将是一个便宜得多的 t1.Hash = t2.Hash。不过，将散列添加到 1,000,000 条记录需要一段时间。

如果这是一次性的，另一种选择是分页清除，例如

Where T1 >= 0 and T1 < 10000
Where T1 >= 10001 and T1 < 20000

等等

于 2012-05-24T23:02:23.190 回答
0

我可能没有想到这一点，但值得一试：

  • 创建一列 ,md5url并用 url 的 md5 填充它 (UPDATE table1 SET md5url = MD5(url)
  • 在该列上创建一个（非唯一）索引md5url- md5 应该足够短以便这样做

  • 将您的声明更改为：

    DELETE t1 
FROM table1 AS t1 
     JOIN table1 AS t2 
          ON t1.md5url = t2.md5url 
             AND t1.name=t2.name 
             AND t1.id>t2.id;

这样，JOIN 条件主要作用于索引。如果索引列 md5url 适合，那么我们实际上会检查 URL - 因为，根据您拥有的 url 数量，在某些时候，两个 URL可能具有相同的 MD5。第三个条件很明确 - 确保仅删除两个相同列中的一个。

我很想知道这是否有效——现在在我的脑海中非常有意义；-)

于 2012-05-24T23:03:57.660 回答