Oracle开发专题之：删除重复记录

  一、测试环境：

假设目前我们有一个表：test，该表的结构如下：

SQL >   desc  test;
 Name                                       Null ?    Type
  -- --------------------------------------- -------- ----------------------------
 ID                                                   NUMBER
 SEQ                                                 NUMBER

现在我们向表中插入200W条数据，这200W条数据中有一半是重复的。

create   or   replace   procedure  gen_duplicated_records  as

  i  number ;
  j  number ;

begin
   for  i  in   1  ..  2  loop
     for  j  in   1  ..  1000000  loop
       insert   into  test  values  (j, j  +   10 );
     end  loop;
     commit ;
   end  loop;
end ;

我们的最终目的就是剔除这一半的重复记录。下面来看一下各种方法的使用及效率区别

二、使用临时表进行删除：

这个是最简单的思路了，创建一张临时表，将原表中的数据拷贝一半过去，再查询出来。

SQL >   set  timing  on ;
SQL >  
SQL >   create   table  test_2  as   select   distinct   *   from  test;

Table  created.

Elapsed:  00 : 00 : 07.09
SQL >  

该方法耗时7.09秒，测试数据库位于服务器上。考虑到服务器和本机位于同一个局域网内，该时间如果在真正的生产环境中应该至上延长1倍以上。

三、使用rowid进行删除：

我们知道在Oracle中，rowid是用来唯一表示一条记录的伪列，任意两条记录的rowid都是不同的，即便内容看起来一模一样。所以我们的思路是：使用表的自连接，查找那些内容相同但rowid不同的记录，即为重复记录。然后随意选择其中一个rowid代表的记录，删除另一条记录。

我们来看一下其中id=1的记录在自连接后的情况：

SQL >   select  a. * , a.rowid, b. * , b.rowid  from  test a, test b  where  a.id  =  b.id  and  a.seq  =  b.seq  and  a
.id  =   1 ;

        ID        SEQ ROWID                      ID        SEQ ROWID
-- -------- ---------- ------------------ ---------- ---------- ------------------
          1           11  AAAGHIAAJAAAAAKAAA           1           11  AAAGHIAAJAAAAAKAAA
          1           11  AAAGHIAAJAAAAgQAGX           1           11  AAAGHIAAJAAAAAKAAA
          1           11  AAAGHIAAJAAAAAKAAA           1           11  AAAGHIAAJAAAAgQAGX
          1           11  AAAGHIAAJAAAAgQAGX           1           11  AAAGHIAAJAAAAgQAGX

Elapsed:  00 : 00 : 02.08
SQL >  

我们看到自连接后的4条记录中有2条的rowid是不同的，说明这2条记录就是重复记录，所以我们可以通过选择其中rowid较大或较小的记录，来删除剩余的记录。但是这种方法的一个很大的缺点就是由于采用了“自连接”，对于像我这样的测试表中有200W条记录的情况，其自连接后的记录数是一个天文数字(其实本人的测试就因为等待过久而不得不取消)。

我们换另外一种方法：

DELETE   FROM  test t1 
  WHERE  t1.ROWID  NOT   IN  (
      SELECT   MAX (t2.rowid) 
        FROM  test t2 
       WHERE  t1.id  =  t2.id  AND  t1.seq  =  t2.seq);

实践证明，这种方法对大量数据的情况，效率依然是很低的。结果如同上一种方法。假如我们再结合group by呢？

SQL >   DELETE   FROM  test
   2     WHERE  ROWID  NOT   IN  ( SELECT   MAX (ROWID)  FROM  test  GROUP   BY  id, seq);

效果如同前面两个方法一样，大量的连接、排序、分组让依靠rowid来删除重复记录变得很耗时，反而是采用方法1的情况下速度很快(本人测试了2次，都是连接测试服务器进行测试，第一次用时7.09秒，第二次用时14.656秒)。

小结：
在数据量不大的情况下，采用根据rowid或结合group by分组的方式是很快的，但是在海量数据的情况下则反而是方式一最快，因为省去了自连接、排序、分组的时间