PostgreSQL查找并删除重复数据的方法总结
目录
- 创建示例表
- 使用聚合函数查找重复记录
- 基于单个字段的重复记录
- 基于多个字段的重复记录
- 使用窗口函数查找重复记录
- 基于单个字段的重复记录
- 基于多个字段的重复记录
- 删除重复记录
- 使用子查询删除重复记录
- 使用窗口函数删除重复记录
- 总结
创建示例表
我们首先创建一个示例表 people 并生成一些数据：
-- DROP TABLE IF EXISTS people;
CREATE TABLE people (
id integer GENERATED ALWAYS AS IDENTITY PRIMARY KEY,
name varchar(50) NOT NULL,
email varchar(100) NOT NULL
);
INSERT INTO people(name, email)
VALUES ('张三', 'zhangsan@test.com'),
('李四', 'lisi@test.com'),
('王五', 'wangwu@test.com'),
('李斯', 'lisi@test.com'),
('王五', 'wangwu@test.com'),
('王五', 'wangwu@test.com');
SELECT * FROM people;
id|name|email |
--|-----|-----------------|
1|张三 |zhangsan@test.com|
2|李四 |lisi@test.com |
3|王五 |wangwu@test.com |
4|李斯 |lisi@test.com |
5|王五 |wangwu@test.com |
6|王五 |wangwu@test.com |
其中，2 和 4 的 email 字段存在重复数据；3、5 和 6 的 name 和 email 字段存在重复数据。
此时，如果我们想要为 email 字段创建一个唯一约束，将会返回错误：
ALTER TABLE people ADD CONSTRAINT uk_people_email UNIQUE (email); SQL 错误 [23505]: ERROR: could not create unique index "uk_people_email" 详细：Key (email)=(lisi@test.com) is duplicated.
我们必须找出并删除 email 字段中的重复记录才能创建唯一约束。
使用聚合函数查找重复记录
基于单个字段的重复记录
如果想要找出 email 重复的数据，可以基于该字段进行分组统计，并且返回行数大于 1 的分组：
SELECT email, count(email) FROM people GROUP BY email HAVING count(email) > 1; email |count| ---------------+-----+ wangwu@test.com| 3| lisi@test.com | 2|
查询结果显示有两个邮箱地址存在重复情况。如果想要查看完整的重复数据，可以使用子查询或者连接查询：
SELECT *
FROM people
WHERE email IN (
SELECT email
FROM people
GROUP BY email
HAVING count(email) > 1)
ORDER BY email;
id|name|email |
--+----+----------------+
2|李四 |lisi@test.com |
4|李斯 |lisi@test.com |
3|王五 |wangwu@test.com|
5|王五 |wangwu@test.com|
6|王五 |wangwu@test.com|
WITH d AS (
SELECT email
FROM people
GROUP BY email
HAVING count(email) > 1)
SELECT p.*
FROM people p
JOIN d ON (d.email = p.email)
ORDER BY p.email;
id|name|email |
--+----+----------------+
2|李四 |lisi@test.com |
4|李斯 |lisi@test.com |
3|王五 |wangwu@test.com|
5|王五 |wangwu@test.com|
6|王五 |wangwu@test.com|
另一种查找重复记录的方法就是直接使用自连接查询和 distinct 操作符，例如：
SELECT DISTINCT p.* FROM people p JOIN people d ON p.email = d.email WHERE p.id <> d.id ORDER BY p.email; id|name|email | --+----+----------------+ 2|李四 |lisi@test.com | 4|李斯 |lisi@test.com | 3|王五 |wangwu@test.com| 5|王五 |wangwu@test.com| 6|王五 |wangwu@test.com|
注意不能省略 distinct，否则会某些数据（3、5、6）会返回多次。
基于多个字段的重复记录
如果我们想要找出 name 和 email 两个字段都重复的数据，可以基于这两个字段进行分组统计：
SELECT *
FROM people
WHERE (name, email) IN (
SELECT name, email
FROM people
GROUP BY name, email
HAVING count(1) > 1)
ORDER BY email;
id|name|email |
--+----+----------------+
3|王五 |wangwu@test.com|
5|王五 |wangwu@test.com|
6|王五 |wangwu@test.com|
WITH d AS (
SELECT name, email
FROM people
GROUP BY name, email
HAVING count(*) > 1)
SELECT p.*
FROM people p
JOIN d ON (d.name = p.name AND d.email = p.email)
ORDER BY p.email;
id|name|email |
--+----+---------------+
3|王五 |wangwu@test.com|
5|王五 |wangwu@test.com|
6|王五 |wangwu@test.com|
只有当 name 和 email 都相同时才是重复数据，所以 2 和 4 不是重复记录。
使用窗口函数查找重复记录
使用聚合函数查找重复记录需要扫描同一个表两次，如果表中的数据量很大时，可能存在性能问题。为此，我们可以采用另一种方法：窗口函数。
基于单个字段的重复记录
首先，我们通过 count() 窗口函数找出每个 email 出现的次数：
SELECT id, name, email, count(*) over (partition by email) cnt FROM people; id|name|email |cnt| --+----+------------------+---+ 2|李四 |lisi@test.com | 2| 4|李斯 |lisi@test.com | 2| 3|王五 |wangwu@test.com | 3| 5|王五 |wangwu@test.com | 3| 6|王五 |wangwu@test.com | 3| 1|张三 |zhangsan@test.com| 1|
窗口函数不仅可以找出字段的重复次数，同时还可以保留原表中的数据，避免了二次扫描的操作。接下来我们只需要返回次数大于 1 的记录即可：
WITH d AS (
SELECT id, name, email,
count(*) over (partition by email) cnt
FROM people)
SELECT *
FROM d
WHERE cnt > 1
ORDER BY id;
id|name|email |cnt|
--+----+----------------+---+
2|李四 |lisi@test.com | 2|
3|王五 |wangwu@test.com| 3|
4|李斯 |lisi@test.com | 2|
5|王五 |wangwu@test.com| 3|
6|王五 |wangwu@test.com| 3|
基于多个字段的重复记录
窗口函数同样支持基于多个字段的分区操作，以下语句可以用于找出 name 和 email 两个字段都重复的数据：
WITH d AS (
SELECT id, name, email,
count(*) over (partition by name, email) cnt
FROM people)
SELECT *
FROM d
WHERE cnt > 1
ORDER BY id;
id|name|email |cnt|
--+----+----------------+---+
3|王五 |wangwu@test.com| 3|
5|王五 |wangwu@test.com| 3|
6|王五 |wangwu@test.com| 3|
显然，窗口函数不但拥有更好的性能，也具有更好的可读性。
删除重复记录
记下来需要解决的问题就是如何删除这些重复记录，通常我们需要保留其中的一条记录。
使用子查询删除重复记录
假如我们想要删除 email 字段重复的记录，只保留其中 id 最小的一条；可以使用子查询找出需要保留的数据，然后删除其他的数据：
DELETE
FROM people
WHERE id NOT IN (
SELECT min(id)
FROM people
GROUP BY email
);
删除之后再次查询 people 表：
SELECT * FROM people; id|name|email | --+----+------------------+ 1|张三 |zhangsan@test.com| 2|李四 |lisi@test.com | 3|王五 |wangwu@test.com |
也可以使用跨表删除或者关联子查询删除重复的数据：
DELETE
FROM people p
USING people d
WHERE p.email = d.email AND p.id < d.id;
DELETE
FROM people p
WHERE p.id NOT IN (
SELECT min(id)
FROM people
WHERE email = p.email
);
在执行上面的语句之前，记得重新创建 people 表并生成测试数据。
想一想，如果想要保留重复数据中 id 最大的数据应该怎么实现呢？
使用窗口函数删除重复记录
ROW_NUMBER() 窗口函数可以用于将数据进行分组，然后为每一条数据分配一个唯一的数字编号。例如：
SELECT id, name, email,
row_number() over (PARTITION BY email ORDER BY id) AS row_num
FROM people;
ID|NAME|EMAIL |ROW_NUM|
--|----|------------------|-------|
2|李四 |lisi@test.com | 1|
4|李斯 |lisi@test.com | 2|
3|王五 |wangwu@test.com | 1|
5|王五 |wangwu@test.com | 2|
6|王五 |wangwu@test.com | 3|
1|张三 |zhangsan@test.com| 1|
以上语句基于 email 分组（PARTITION BY email），同时按照 id 进行排序（ORDER BY id），然后为每个组内的数据分配一个编号；如果编号大于 1 就意味着存在重复的数据。
除了 ROW_NUMBER() 之外，RANK() 或者 DENSE_RANK() 函数也可以实现以上功能。关于窗口函数的介绍和使用案例，可以参考这篇文章。
我们可以基于该查询结果删除重复的记录：
DELETE
FROM people
WHERE id IN (
SELECT id
FROM (
SELECT id, name, email,
row_number() over (PARTITION BY email ORDER BY id DESC) AS row_num
FROM people) d
WHERE row_num > 1);
在执行上面的语句之前，记得重新创建 people 表并生成测试数据。
基于多个字段的重复数据删除方法和单个字段类似，大家可以自行尝试。最后，为了防止再次产生重复数据，可以增加一个唯一约束。例如：
ALTER TABLE people ADD CONSTRAINT uk_people_email UNIQUE (email);
总结
本文介绍了如何在 PostgreSQL 中查找并删除重复记录，包括使用聚合函数加上子查询或者连接查询、使用窗口函数等方法查找单个字段或者多个字段中的重复数据，以及使用子查询和窗口函数等方法实现重复数据的删除。
