从大型数据集中删除重复项（>100Mio 行）

Question

我知道这个话题在此之前已经多次出现，但没有一个建议的解决方案适用于我的数据集，因为我的笔记本电脑由于内存问题或存储空间已满而停止计算。

我的表如下所示，并且有 108 Mio 行：

Col1       |Col2   |  Col3           |Col4   |SICComb |  NameComb 

Case New   |3523   |  Alexander      |6799   |67993523| AlexanderCase New 
Case New   |3523   |  Undisclosed    |6799   |67993523| Case NewUndisclosed 
Undisclosed|6799   |  Case New       |3523   |67993523| Case NewUndisclosed 
Case New   |3523   |  Undisclosed    |6799   |67993523| Case NewUndisclosed 
SmartCard  |3674   |  NEC            |7373   |73733674| NECSmartCard 
SmartCard  |3674   |  Virtual NetComm|7373   |73733674| SmartCardVirtual NetComm 
SmartCard  |3674   |  NEC            |7373   |73733674| NECSmartCard

唯一的列是SICComb 和NameComb。我尝试添加主键：

ALTER TABLE dbo.test ADD ID INT IDENTITY(1,1)

但在新的几分钟内，我的存储空间已超过 30 GB。

从表中删除重复项最快和最有效的方法是什么？

Answer 1

如果您使用的是 SQL Server，则可以使用从公用表表达式中删除：

with cte as (
    select row_number() over(partition by SICComb, NameComb order by Col1) as row_num
    from Table1
)
delete
from cte
where row_num > 1

这里所有的行都会被编号，对于SICComb + NameComb 的每个独特组合，您都有自己的序列。您可以通过在over 子句中选择order by 来选择要删除的行。

Answer 2

一般来说，从表中删除重复项的最快方法是将记录（没有重复项）插入到临时表中，截断原始表并将它们重新插入。

下面是这个想法，使用 SQL Server 语法：

select distinct t.*
into #temptable
from t;

truncate table t;

insert into t
    select tt.*
    from #temptable;

当然，这在很大程度上取决于第一步的速度。而且，您需要有空间来存储同一张表的两个副本。

请注意，创建临时表的语法因数据库而异。有些使用create table as 的语法而不是select into。

编辑：

您的身份插入错误很麻烦。我认为您需要从不同的列列表中删除身份。或者这样做：

select min(<identity col>), <all other columns>
from t
group by <all other columns>

如果您有一个标识列，则没有重复项（根据定义）。

最后，您需要决定要为行使用哪个 id。如果您可以为行生成一个新的 id，那么只需将标识列从插入的列列表中移除：

insert into t(<all other columns>)
    select <all other columns>;

如果您需要旧的身份值（并且最小值就可以），请关闭身份插入并执行以下操作：

insert into t(<all columns including identity>)
    select <all columns including identity>;