两列上的BigQuery DeDuplication作为唯一键

Question

我们虔诚地使用BigQuery，并且实际上有两个表是由不同的进程并行更新的。 我有一个问题，我们没有表的唯一标识符，目标是在可能的情况下将两个表合并为零重复。唯一标识符是将两列组合在一起。

我已经尝试过各种基于MySQL的查询，但似乎都无法在BigQuery中使用。 因此，我在这里发布一些帮助。 :)

步骤1.将“ clean”表复制到新的合并表中。

步骤2.查询“ dirty”（旧）表并插入所有丢失的条目。

查询尝试1：

SELECT
  COUNT(c.*)
FROM
  [flash-student-96619:device_data.device_datav3_20160530] AS old
WHERE NOT EXISTS (
  SELECT
    1
  FROM
    [flash-student-96619:device_data_v7_merged.20160530] AS new
  WHERE
    new.dsn = old.dsn
    AND new.timestamp = old.timestamp 
)

错误：错误发生在：6.1-10.65。 一次只能执行一个查询。

查询尝试2：

SELECT
  *
FROM
  [flash-student-96619:device_data.device_datav3_20160530]
WHERE
  (dsn, timestamp) NOT IN (
  SELECT
    dsn,
    timestamp
  FROM
    [flash-student-96619:device_data_v7_merged.20160530] 
  )

错误：在第6行第7列遇到“”，“”，“”。期望：“）” ...

老实说，如果我可以在一个查询中做到这一点，我会很高兴。 我需要从两个表中获取数据，并使用唯一数据创建一个新表。

有什么帮助吗？

Answer 1

像下面这样的东西应该工作

SELECT * 
FROM (
  SELECT *,
    ROW_NUMBER() OVER(PARTITION BY dsn, timestamp) AS dup
  FROM
    [flash-student-96619:device_data.device_datav3_20160530],
    [flash-student-96619:device_data_v7_merged.20160530] 
) 
WHERE dup = 1  

我建议在外部SELECT中使用显式字段列表而不是*，以便您可以从实际输出中省略dup

Answer 2

有点晚了，但我想指出的是，您的原始查询可以使用标准SQL进行较小的修改（取消选中“显示选项”下的“使用旧版SQL”框）。 我只是不得不将new更改为其他内容，因为这是一个保留关键字。 例如，此查询有效：

WITH OldData AS (
  SELECT
    x AS dsn,
    TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
  FROM UNNEST([1, 2, 3, 4]) AS x),
NewData AS (
  SELECT
    x AS dsn,
    TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
  FROM UNNEST([5, 2, 1, 6]) AS x)
SELECT
  COUNT(*)
FROM OldData oldData
WHERE NOT EXISTS (
  SELECT 1
  FROM NewData newData
  WHERE
    newData.dsn = oldData.dsn
    AND newData.timestamp = oldData.timestamp
);
+-----+
| f0_ |
+-----+
|   2 |
+-----+

关于第二次尝试，您可以执行以下操作：

WITH OldData AS (
  SELECT
    x AS dsn,
    TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
  FROM UNNEST([1, 2, 3, 4]) AS x),
NewData AS (
  SELECT
    x AS dsn,
    TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
  FROM UNNEST([5, 2, 1, 6]) AS x)
SELECT
  *
FROM OldData
WHERE
  STRUCT(dsn, timestamp) NOT IN (
  SELECT AS STRUCT
    dsn,
    timestamp
  FROM NewData);
+-----+---------------------+
| dsn |      timestamp      |
+-----+---------------------+
|   3 | 2016-07-21 11:54:08 |
|   4 | 2016-07-21 10:54:08 |
+-----+---------------------+