• 注册
    • 查看作者
    • postgresql 删除重复数据的几种方法小结

        

        在使用PG数据库的这段时间,总结了三种删除重复数据的方法,其中最容易想到的就是最常规的删除方法,但此方法性能较差,删数据耗时较久,虽容易实现,但性能太差,影响写数据的速率。

        另外就是被使用的group by删除方法,效率较高。

        还有一种是刚发现的,还没有验证,现在就总结下这三种删除方法,并验证各自的执行效率。

        首先创建一张基础表,并插入一定量的重复数据。

         test=# create table deltest(id int, name varchar(255));
      CREATE TABLE
      test=# create table deltest_bk (like deltest);
      CREATE TABLE
      test=# insert into deltest select generate_series(1, 10000), ZhangSan;
      INSERT 0 10000
      test=# insert into deltest select generate_series(1, 10000), ZhangSan;
      INSERT 0 10000
      test=# insert into deltest_bk select * from deltest;

        常规删除方法

        最容易想到的方法就是判断数据是否重复,对于重复的数据只保留ctid最小(或最大)的那条数据,删除其他的数据。

        test=# explain analyse delete from deltest a where a.ctid <> (select min(t.ctid) from deltest t where a.id=t.id);
      QUERY PLAN
      —————————————————————————————————————————–
      Delete on deltest a (cost=0.00..195616.30 rows=1518 width=6) (actual time=67758.866..67758.866 rows=0 loops=1)
      -> Seq Scan on deltest a (cost=0.00..195616.30 rows=1518 width=6) (actual time=32896.517..67663.228 rows=10000 loops=1)
      Filter: (ctid <> (SubPlan 1))
      Rows Removed by Filter: 10000
      SubPlan 1
      -> Aggregate (cost=128.10..128.10 rows=1 width=6) (actual time=3.374..3.374 rows=1 loops=20000)
      -> Seq Scan on deltest t (cost=0.00..128.07 rows=8 width=6) (actual time=0.831..3.344 rows=2 loops=20000)
      Filter: (a.id = id)
      Rows Removed by Filter: 19998
      Total runtime: 67758.931 ms
      test=# select count(*) from deltest;
      count
      ——-
      10000
      (1 行记录)

        可以看到,id相同的数据,保留ctid最小的那条,其他的删除。相当于把deltest表中的数据删掉一半,耗时达到67s多。相当慢。

        group by删除方法

        第二种方法为group by方法,通过分组找到ctid最小的数据,然后删除其他数据。

         test=# truncate table deltest;
      TRUNCATE TABLE
      test=# insert into deltest select * from deltest_bk;
      INSERT 0 20000
      test=# explain analyse delete from deltest a where a.ctid not in (select min(ctid) from deltest group by id);
      QUERY PLAN
      ———————————————————————————————————————————-
      Delete on deltest a (cost=131.89..2930.46 rows=763 width=6) (actual time=30942.496..30942.496 rows=0 loops=1)
      -> Seq Scan on deltest a (cost=131.89..2930.46 rows=763 width=6) (actual time=10186.296..30814.366 rows=10000 loops=1)
      Filter: (NOT (SubPlan 1))
      Rows Removed by Filter: 10000
      SubPlan 1
      -> Materialize (cost=131.89..134.89 rows=200 width=10) (actual time=0.001..0.471 rows=7500 loops=20000)
      -> HashAggregate (cost=131.89..133.89 rows=200 width=10) (actual time=10.568..13.584 rows=10000 loops=1)
      -> Seq Scan on deltest (cost=0.00..124.26 rows=1526 width=10) (actual time=0.006..3.829 rows=20000 loops=1)
      Total runtime: 30942.819 ms
      (9 行记录)
      test=# select count(*) from deltest;
      count
      ——-
      10000
      (1 行记录)

        可以看到同样是删除一半的数据,使用group by的方式,时间节省了一半。但仍含需要30s,下面试一下第三种删除操作。

        新的删除方法

        在postgres之道这本书中,作者提到一种效率较高的删除方法, 在这里验证一下,具体如下:

         test=# truncate table deltest;
      TRUNCATE TABLE
      test=# insert into deltest select * from deltest_bk;
      INSERT 0 20000
      test=# explain analyze delete from deltest a where a.ctid = any(array (select ctid from (select row_number() over (partition by id), ctid from deltest) t where t.row_number > 1));
      QUERY PLAN
      ———————————————————————————————————————————-
      Delete on deltest a (cost=250.74..270.84 rows=10 width=6) (actual time=98.363..98.363 rows=0 loops=1)
      InitPlan 1 (returns $0)
      -> Subquery Scan on t (cost=204.95..250.73 rows=509 width=6) (actual time=29.446..47.867 rows=10000 loops=1)
      Filter: (t.row_number > 1)
      Rows Removed by Filter: 10000
      -> WindowAgg (cost=204.95..231.66 rows=1526 width=10) (actual time=29.436..44.790 rows=20000 loops=1)
      -> Sort (cost=204.95..208.77 rows=1526 width=10) (actual time=12.466..13.754 rows=20000 loops=1)
      Sort Key: deltest.id
      Sort Method: quicksort Memory: 1294kB
      -> Seq Scan on deltest (cost=0.00..124.26 rows=1526 width=10) (actual time=0.021..5.110 rows=20000 loops=1)
      -> Tid Scan on deltest a (cost=0.01..20.11 rows=10 width=6) (actual time=82.983..88.751 rows=10000 loops=1)
      TID Cond: (ctid = ANY ($0))
      Total runtime: 98.912 ms
      (13 行记录)
      test=# select count(*) from deltest;
      count
      ——-
      10000
      (1 行记录)

        看到上述结果,真让我吃惊了一把,这么快的删除方法还是首次看到,自己真实孤陋寡闻,在这里要膜拜一下之道这本书的大神作者了。

        补充:pgsql 删除表中重复数据保留其中的一条

        1.在表中(表名:table 主键:id)增加一个字段rownum,类型为serial

        2.执行语句:

        delete from table where rownum not in(
      select max(rownum) from table group by id
      )

        3.最后删除rownum

        以上为个人经验,希望能给大家一个参考,也希望大家多多支持。如有错误或未考虑完全的地方,望不吝赐教。

        文章来源:脚本之家

        来源地址:https://www.jb51.net/article/205415.htm

        

    • 0
    • 0
    • 0
    • 8
    • 请登录之后再进行评论

      登录
    • 单栏布局 侧栏位置: