MySQL

如何查找重复行

第一步是定义什么样的行才是重复行。多数情况下很简单:它们某一列具有相同的值。本文采用这一定义,或许对“重复”的定义比这复杂,需要对sql做些修改。本文要用到的数据样本:

  1. create table test(id int not null primary key, day date not null);
  2. insert into test(id, day) values(1, '2006-10-08');
  3. insert into test(id, day) values(2, '2006-10-08');
  4. insert into test(id, day) values(3, '2006-10-09');
  5. select * from test;
  6. +----+------------+
  7. | id | day |
  8. +----+------------+
  9. | 1 | 2006-10-08 |
  10. | 2 | 2006-10-08 |
  11. | 3 | 2006-10-09 |
  12. +----+------------+

前面两行在day字段具有相同的值,因此如何将他们当做重复行,这里有一查询语句可以查找。查询语句使用GROUP BY子句把具有相同字段值的行归为一组,然后计算组的大小。

  1. select day, count(*) from test GROUP BY day;
  2. +------------+----------+
  3. | day | count(*) |
  4. +------------+----------+
  5. | 2006-10-08 | 2 |
  6. | 2006-10-09 | 1 |
  7. +------------+----------+

重复行的组大小大于1。如何希望只显示重复行,必须使用HAVING子句,比如

  1. select day, count(*) from test group by day HAVING count(*) > 1;
  2. +------------+----------+
  3. | day | count(*) |
  4. +------------+----------+
  5. | 2006-10-08 | 2 |
  6. +------------+----------+

这是基本的技巧:根据具有相同值的字段分组,然后知显示大小大于1的组。
为什么不能使用WHERE子句?因为WHERE子句过滤的是分组之前的行,HAVING子句过滤的是分组之后的行。

如何删除重复行

一个相关的问题是如何删除重复行。一个常见的任务是,重复行只保留一行,其他删除,然后可以创建适当的索引,防止以后再有重复的行写入数据库。
同样,首先是弄清楚重复行的定义。要保留的是哪一行呢?第一行,或者某个字段具有最大值的行?本文中,假设要保留的是第一行——id字段具有最小值的行,意味着要删除其他的行。
也许最简单的方法是通过临时表。尤其对于MYSQL,有些限制是不能在一个查询语句中select的同时update一个表。简单起见,这里只用到了临时表的方法。
任务是:删除所有重复行,除了分组中id字段具有最小值的行。因此,需要找出大小大于1的分组,以及希望保留的行。可以使用MIN()函数。这里的语句是创建临时表,以及查找需要用DELETE删除的行。

  1. create temporary table to_delete (day date not null, min_id int not null);
  2. insert into to_delete(day, min_id)
  3. select day, MIN(id) from test group by day having count(*) > 1;
  4. select * from to_delete;
  5. +------------+--------+
  6. | day | min_id |
  7. +------------+--------+
  8. | 2006-10-08 | 1 |
  9. +------------+--------+

有了这些数据,可以开始删除“脏数据”行了。可以有几种方法,各有优劣,但这里不做详细比较,只是说明在支持查询子句的关系数据库中,使用的标准方法。

  1. delete from test
  2. where exists(
  3. select * from to_delete
  4. where to_delete.day = test.day and to_delete.min_id <> test.id
  5. )

如何查找多列上的重复行

有人最近问到这样的问题:一个表上有两个字段b和c,分别关联到其他两个表的b和c字段。想要找出在b字段或者c字段上具有重复值的行。
乍看很难明白,通过对话后理解了:他想要对b和c分别创建unique索引。如上所述,查找在某一字段上具有重复值的行很简单,只要用group分组,然后计算组的大小。并且查找全部字段重复的行也很简单,只要把所有字段放到group子句。但如果是判断b字段重复或者c字段重复,问题困难得多。这里提问者用到的样本数据

  1. create table a_b_c(
  2. a int not null primary key auto_increment,
  3. b int,
  4. c int
  5. );
  6. insert into a_b_c(b,c) values (1, 1);
  7. insert into a_b_c(b,c) values (1, 2);
  8. insert into a_b_c(b,c) values (1, 3);
  9. insert into a_b_c(b,c) values (2, 1);
  10. insert into a_b_c(b,c) values (2, 2);
  11. insert into a_b_c(b,c) values (2, 3);
  12. insert into a_b_c(b,c) values (3, 1);
  13. insert into a_b_c(b,c) values (3, 2);
  14. insert into a_b_c(b,c) values (3, 3);

现在,可以轻易看到表里面有一些重复的行,但找不到两行具有相同的二元组{b, c}。这就是为什么问题会变得困难了。

错误的查询语句

如果把两列放在一起分组,会得到不同的结果,具体看如何分组和计算大小。提问者恰恰是困在了这里。有时候查询语句找到一些重复行却漏了其他的。这是他用到了查询

  1. select b, c, count(*) from a_b_c
  2. group by b, c
  3. having count(distinct b > 1)
  4. or count(distinct c > 1);

结果返回所有的行,因为COUNT(*)总是1.为什么?因为 >1 写在COUNT()里面。这个错误很容易被忽略,事实上等效于

  1. select b, c, count(*) from a_b_c
  2. group by b, c
  3. having count(1)
  4. or count(1);

为什么?因为(b > 1)是一个布尔值,根本不是想要的结果。要的是

  1. select b, c, count(*) from a_b_c
  2. group by b, c
  3. having count(distinct b) > 1
  4. or count(distinct c) > 1;

返回空结果。很显然,因为没有重复的{b,c}。这人试了很多其他的OR和AND的组合,用来分组的是一个字段,计算大小的是另一个字段,像这样

  1. select b, count(*) from a_b_c group by b having count(distinct c) > 1;
  2. +------+----------+
  3. | b | count(*) |
  4. +------+----------+
  5. | 1 | 3 |
  6. | 2 | 3 |
  7. | 3 | 3 |
  8. +------+----------+

没有一个能够找出全部的重复行。而且最令人沮丧的是,对于某些情况,这种语句是有效的,如果错误地以为就是这么写法,然而对于另外的情况,很可能得到错误结果。
事实上,单纯用GROUP BY 是不可行的。为什么?因为当对某一字段使用group by时,就会把另一字段的值分散到不同的分组里。对这些字段排序可以看到这些效果,正如分组做的那样。首先,对b字段排序,看看它是如何分组的
MySQL 中查找删除重复行 - 图1
当对b字段排序(分组),相同值的c被分到不同的组,因此不能用COUNT(DISTINCT c)来计算大小。COUNT()之类的内部函数只作用于同一个分组,对于不同分组的行就无能为力了。类似,如果排序的是c字段,相同值的b也会分到不同的组,无论如何是不能达到目的的。

几种正确的方法

也许最简单的方法是分别对某个字段查找重复行,然后用UNION拼在一起,像这样:

  1. select b as value, count(*) as cnt, 'b' as what_col
  2. from a_b_c group by b having count(*) > 1
  3. union
  4. select c as value, count(*) as cnt, 'c' as what_col
  5. from a_b_c group by c having count(*) > 1;
  6. +-------+-----+----------+
  7. | value | cnt | what_col |
  8. +-------+-----+----------+
  9. | 1 | 3 | b |
  10. | 2 | 3 | b |
  11. | 3 | 3 | b |
  12. | 1 | 3 | c |
  13. | 2 | 3 | c |
  14. | 3 | 3 | c |
  15. +-------+-----+----------+

输出what_col字段为了提示重复的是哪个字段。另一个办法是使用嵌套查询:

  1. select a, b, c from a_b_c
  2. where b in (select b from a_b_c group by b having count(*) > 1)
  3. or c in (select c from a_b_c group by c having count(*) > 1);
  4. +----+------+------+
  5. | a | b | c |
  6. +----+------+------+
  7. | 7 | 1 | 1 |
  8. | 8 | 1 | 2 |
  9. | 9 | 1 | 3 |
  10. | 10 | 2 | 1 |
  11. | 11 | 2 | 2 |
  12. | 12 | 2 | 3 |
  13. | 13 | 3 | 1 |
  14. | 14 | 3 | 2 |
  15. | 15 | 3 | 3 |
  16. +----+------+------+

这种方法的效率要比使用UNION低许多,并且显示每一重复的行,而不是重复的字段值。还有一种方法,将自己跟group的嵌套查询结果联表查询。写法比较复杂,但对于复杂的数据或者对效率有较高要求的情况,是很有必要的。

  1. select a, a_b_c.b, a_b_c.c
  2. from a_b_c
  3. left outer join (
  4. select b from a_b_c group by b having count(*) > 1
  5. ) as b on a_b_c.b = b.b
  6. left outer join (
  7. select c from a_b_c group by c having count(*) > 1
  8. ) as c on a_b_c.c = c.c
  9. where b.b is not null or c.c is not null

以上方法可行,肯定还有其他的方法。如果UNION能用,是最简单不过的了。