一直使用Postgresql数据库，有一张表是这样的：
|
1 2 3 4 5 6 7 8 9 10 11 12 13 14 |
DROP TABLE IF EXISTS "public" . "devicedata" ; CREATE TABLE "public" . "devicedata" ( "Id" varchar (200) COLLATE "pg_catalog" . "default" NOT NULL , "DeviceId" varchar (200) COLLATE "pg_catalog" . "default" , "Timestamp" int8, "DataArray" float4[] )
CREATE INDEX "timeIndex" ON "public" . "devicedata" USING btree ( "Timestamp" "pg_catalog" . "int8_ops" DESC NULLS LAST , "DeviceId" COLLATE "pg_catalog" . "default" "pg_catalog" . "text_ops" ASC NULLS LAST );
ALTER TABLE "public" . "devicedata" ADD CONSTRAINT "devicedata_pkey" PRIMARY KEY ( "Id" ); |
主键为Id，是通过程序生成的GUID，随着数据表的越来越大（70w），即便我建立了索引，查询效率依然不乐观。
使用GUID作为数据库的主键对分布式应用比较友好，但是不利于数据的插入，可以使用类似ABP的方法生成连续的GUID解决这个问题。
为了进行优化，计划使用DeviceId与Timestamp作为主键，由于主键会自动建立索引，使用这两个字段查询的时候，查询效率可以有很大的提升。不过，由于数据库的插入了很多的重复数据，直接切换主键不可行，需要先剔除重复数据。
使用group by
数据量小的时候适用。对于我这个70w的数据，查询运行了半个多小时也无法完成。
|
1 2 3 4 5 6 7 |
DELETE FROM "DeviceData" WHERE "Id" NOT IN ( SELECT max ( "Id" ) FROM "DeviceData_temp" GROUP BY "DeviceId" , "Timestamp" ); |
使用DISTINCT
建立一张新表然后插入数据，或者使用select into语句。
|
1 2 3 4 5 6 7 |
SELECT DISTINCT "Timestamp" , "DeviceId" INTO "DeviceData_temp" FROM "DeviceData" ; -- 删除原表 DROP TABLE "DeviceData" ; -- 将新表重命名 ALTER TABLE "DeviceData_temp" RENAME TO "DeviceData" ; |
不过这个问题也非常大，很明显，未来的表，是不需要Id列的，但是DataArray也没有了，没有意义。
如果SELECT DISTINCT "Timestamp", "DeviceId", "DataArray"，那么可能出现"Timestamp", "DeviceId"重复的现象。
使用ON CONFLICT
如果我们直接建立新表格，设置好新的主键，然后插入数据，如果重复了就跳过不就行了？但是使用select into是不行了，重复的数据会导致语句执行中断。需要借助upsert（on conflict）方法。
|
1 2 3 4 5 6 7 |
INSERT INTO "DeviceData_temp" SELECT * FROM "DeviceData" on conflict( "DeviceId" , "Timestamp" ) DO NOTHING; -- 删除原表 DROP TABLE "DeviceData" ; -- 将新表重命名 ALTER TABLE "DeviceData_temp" RENAME TO "DeviceData" ; |
执行不到100s就完成了，删除了许多重复数据。
以上就是这篇文章的全部内容了，希望本文的内容对大家的学习或者工作具有一定的参考学习价值，谢谢大家对服务器之家的支持。如果你想了解更多相关内容请查看下面相关链接
原文链接：https://www.cnblogs.com/podolski/p/16745080.html
查看更多关于Postgresql删除数据库表中重复数据的几种方法详解的详细内容...