mysql数据去除重复及相关优化（转）

由于mysql不支持同时对一张表进行操作，即子查询和要进行的操作不能是同一张表，因此需要通过临时表中专以下。

1、单字段重复

生成临时表，其中uid是需要去重的字段

create table tmp_uid as (select uid from user_info group by uid having count(uid))
 
create table tmp_id as (select min(id) from user_info group by uid having count()uid)

数量量大时一定要为uid创建索引

alter table tmp_uid add index 索引名 (字段名)
 
alter table tmp_id add index 索引名 (字段名)

删除多余的重复数据，保留重复数据中id最小的

delete from user_info
where id not in (select id from tmp_id)
and uid in (select uid from tmp_uid)

2、多字段重复

如以上由于uid的重复间接导致了relationship中的记录重复，所以继续去重。

2.1 一般方法

基本的同上面：

生成临时表

create table tmp_relation as (select source,target from relationship group by source,target having count(*)>1)
 
create table tmp_relationship_id as (select min(id) as id from relationship group by source,target having count(*)>1)

创建索引

alter table tmp_relationship_id add index 索引名(字段名)

删除

delete from relationship
where id not in (select id from tmp_relationship_id)
and (source,target) in (select source,target from relationship)

2.2 快速方法

实践中发现上面的删除字段重复的方法，由于没有办法为多字段重建索引，导致数据量大时效率极低，低到无法忍受。最后，受不了等了半天没反应的状况，本人决定，另辟蹊径。

考虑到，估计同一记录的重复次数比较低。一般为2，或3，重复次数比较集中。所以可以尝试直接删除重复项中最大的，直到删除到不重复，这时其id自然也是当时重复的里边最小的。

大致流程如下：

（1）、选择每个重复项中的id最大的一个记录

create table tmp_relation_id2 as (select max(id) from relationship group by source,target having count(*)>1)

（2）、创建索引（仅需在第一次时执行）

alter table tmp_relation_id2 add index 索引名 (字段名)

（3）、删除重复项中id最大的记录

delete from relationship where id in (select id from tmp_relation_id2)

（4）、删除临时表

drop table tmp_relation_id2

重复上述步骤（1），（2），（3），（4），直到创建的临时表中不存在记录就结束（对于重复次数的数据，比较高效）

本文章转自 http://www.cnblogs.com/rainduck/archive/2013/05/15/3079868.html