问题:在生产环境中，经常碰到一些表中有重复记录的情况，导致数据不准确，影响用户使用,如何处理呢:

测试:

1.创建一张空表,记录重复数据

10:38:01 SQL> desc dbtest
Name Type   Nullable Default Comments
---- ------ -------- ------- --------
ID   NUMBER Y
SEQ NUMBER Y

2.生成重复数据

create or replace procedure dbtest_duplicated_records as

i number;
j number;

begin

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

end;

3.删除重复数据

方法（1）：通过临时表

create table dbtest1 nologging as select distinct * from dbtest ;

dbtest1中就是没有重复数据的，数据为原来的1/2，共1000000条

方法（2）：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

参考:http://www.blogjava.net/pengpenglin/archive/2008/06/18/208805.html

重复数据.jpg

ITPub博客

常见问题--oracle删除重复记录

最新文章