MySQL 如何查找删除重复行？

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，或许你对“重复”的定义比这复杂，你需要对sql做些修改。本文要用到的数据样本：

createtabletest( idintnotnullprimary key, daydatenotnull);

insertintotest( id, day) values( 1, '2006-10-08');

insertintotest( id, day) values( 2, '2006-10-08');

insertintotest( id, day) values( 3, '2006-10-09');

select* fromtest;

+ ----+------------+

| id | day |

+ ----+------------+

| 1 | 2006-10-08 |

| 2 | 2006-10-08 |

| 3 | 2006-10-09 |

+ ----+------------+

前面两行在day字段具有相同的值，因此如何我将他们当做重复行，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。

select day, count(*) from test GROUP BY day;

+------------+----------+

| day |count(*) |

+------------+----------+

|2006- 10-08 | 2 |

| 2006-10-09 |1|

+------------+----------+

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

selectday, count(*) fromtest groupbyday HAVING count(*) > 1;

+------------+----------+

| day | count(*) |

+------------+----------+

| 2006-10-08| 2|

+------------+----------+

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，然后你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。你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，意味着你要删除其他的行。

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。

我们的任务是：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。你可以使用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。

createtemporarytableto_delete ( daydatenotnull, min_id intnotnull);

insertintoto_delete( day, min_id)

selectday, MIN( id) fromtestgroupbydayhavingcount(*) > 1;

select* fromto_delete;

+ ------------+--------+

| day | min_id |

+ ------------+--------+

| 2006-10-08 | 1 |

+ ------------+--------+

有了这些数据，你可以开始删除“脏数据”行了。可以有几种方法，各有优劣（详见我的文章many-to-one problems in SQL），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。

deletefromtest

whereexists(

select* fromto_delete

whereto_delete.day = test.day andto_delete.min_id <> test.id

)

如何查找多列上的重复行

有人最近问到这样的问题：我的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。我想要找出在b字段或者c字段上具有重复值的行。

咋看很难明白，通过对话后我理解了：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

createtablea_b_c(

a intnotnullprimary keyauto_increment,

b int,

c int

);

insertintoa_b_c(b,c) values( 1, 1);

insertintoa_b_c(b,c) values( 1, 2);

insertintoa_b_c(b,c) values( 1, 3);

insertintoa_b_c(b,c) values( 2, 1);

insertintoa_b_c(b,c) values( 2, 2);

insertintoa_b_c(b,c) values( 2, 3);

insertintoa_b_c(b,c) values( 3, 1);

insertintoa_b_c(b,c) values( 3, 2);

insertintoa_b_c(b,c) values( 3, 3);

现在，你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，你会得到不同的结果，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

selectb, c, count(*) froma_b_c

groupbyb, c

havingcount( distinctb > 1)

orcount( distinctc > 1);

结果返回所有的行，因为CONT(*)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

selectb, c, count(*) froma_b_c

groupbyb, c

havingcount( 1)

orcount( 1);

为什么？因为(b > 1)是一个布尔值，根本不是你想要的结果。你要的是

selectb, c, count(*) froma_b_c

groupbyb, c

havingcount( distinctb) > 1

orcount( distinctc) > 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

select b, count(*) from a_b_c group by b having count(distinct c) > 1;

+------+----------+

| b |count(*) |

+------+----------+

|1| 3 |

| 2 |3|

|3| 3 |

+------+----------+

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？因为当你对某一字段使用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

当你对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我们的目的的。

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：

selectb asvalue, count(*) ascnt, 'b'aswhat_col

froma_b_c groupbyb havingcount(*) > 1

union

selectc asvalue, count(*) ascnt, 'c'aswhat_col

froma_b_c groupbyc havingcount(*) > 1;

+ -------+-----+----------+

| value | cnt | what_col |

+ -------+-----+----------+

| 1 | 3 | b |

| 2 | 3 | b |

| 3 | 3 | b |

| 1 | 3 | c |

| 2 | 3 | c |

| 3 | 3 | c |

+ -------+-----+----------+

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：

select a, b, c from a_b_c

where b in(select b from a_b_c group by b having count(*) > 1)

orc in(select c from a_b_c group by c having count(*) > 1);

+----+------+------+

| a |b | c |

+----+------+------+

| 7 |1| 1 |

| 8 |1| 2 |

| 9 |1| 3 |

| 10 |2| 1 |

| 11 |2| 2 |

| 12 |2| 3 |

| 13 |3| 1 |

| 14 |3| 2 |

| 15 |3| 3 |

+----+------+------+

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。

selecta, a_b_c.b, a_b_c.c

froma_b_c

leftouterjoin(

selectb froma_b_c groupbyb havingcount(*) > 1

) asb ona_b_c.b = b.b

leftouterjoin(

selectc froma_b_c groupbyc havingcount(*) > 1

) asc ona_b_c.c = c.c

whereb.b isnotnullorc.c isnotnull

以上方法可行，我敢肯定还有其他的方法。如果UNION能用，我想会是最简单不过的了。