一、测试环境:
假设目前我们有一个表:test,该表的结构如下:
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
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。
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 >
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:
.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:
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?
2 WHERE ROWID NOT IN ( SELECT MAX (ROWID) FROM test GROUP BY id, seq);