删除没有主键的重复项

Question

这里要删除具有重复列值（ Product ）的行，然后将其用作主键 。

该列的类型为nvarchar ，我们不希望一个产品有2行。 数据库很大，我们需要移除大约数千行 。

在查询所有重复项期间，我们希望保留第一个项目并删除第二个项目作为重复项目。

还没有主键，我们希望在删除重复项之后进行此操作。 然后Product columm可能是我们的主要关键。

该数据库是SQL Server CE。

我尝试了几种方法，并且大多数错误类似于：

解析查询时出错。 [令牌行号= 2，令牌行偏移= 1，令牌错误= FROM]

我试过的方法：

DELETE FROM TblProducts
FROM TblProducts w
    INNER JOIN (
            SELECT Product
            FROM TblProducts
            GROUP BY Product
            HAVING COUNT(*) > 1
            )Dup ON w.Product = Dup.Product

尝试用类似的东西学习和调整我的代码的首选方法 （它还不正确）：

SELECT Product, COUNT(*) TotalCount
FROM TblProducts
GROUP BY Product
HAVING COUNT(*) > 1
ORDER BY COUNT(*) DESC

--
;WITH cte   -- These 3 lines are the lines I have more doubt on them
     AS (SELECT ROW_NUMBER() OVER (PARTITION BY Product
                                       ORDER BY ( SELECT 0)) RN
         FROM   Word)
DELETE FROM cte
WHERE  RN > 1

Answer 1

如果您有两个具有相同产品列的不同记录，则可以使用某些标准选择不需要的记录，例如

 CREATE TABLE victims AS
     SELECT MAX(entryDate) AS date, Product, COUNT(*) AS dups FROM ProductsTable WHERE ...
     GROUP BY Product HAVING dups > 1;

然后你可以在ProductTable和Victims之间进行DELETE JOIN。

或者您也可以选择“仅产品”，然后对其他某些JOIN条件执行DELETE，例如，具有无效的CustomerId或EntryDate NULL或其他任何内容。 如果您知道只有一个有效的Product副本，而其他所有副本都可以被无效数据识别，则此方法有效。

假设你有IDENTICAL记录（或者你有相同和不相同的，或者你可能有几个产品的dupe，你不知道哪个）。 您运行完全相同的查询。 然后，在ProductsTable和SELECT DISTINCT上运行SELECT查询，所有产品都与要重复的产品代码相匹配，按产品分组，并为所有字段选择合适的聚合函数（如果相同，任何聚合都应该这样做。否则我通常会尝试MAX或MIN）。 这将为每个产品“保存”恰好一行。

此时，您运行DELETE JOIN并终止所有重复的产品。 然后，只需将已保存和重复的子集重新导入主表。

当然，在DELETE JOIN和INSERT SELECT之间，您将使DB处于不稳定状态，所有至少有一个副本的产品都会消失。

另一种应该在MySQL中运行的方法：

-- Create an empty table
CREATE TABLE deduped AS SELECT * FROM ProductsTable WHERE false;

CREATE UNIQUE INDEX deduped_ndx ON deduped(Product);

-- DROP duplicate rows, Joe the Butcher's way
INSERT IGNORE INTO deduped SELECT * FROM ProductsTable;

ALTER TABLE ProductsTable RENAME TO ProductsBackup;

ALTER TABLE deduped RENAME TO ProductsTable;
-- TODO: Copy all indexes from ProductsTable on deduped.

注意 ：如果要区分“良好记录”和“无效重复”，上述方法不起作用 。 它只适用于你有冗余的DUPLICATE记录，或者如果你不关心你保留哪一行以及你扔掉哪一行！

编辑 ：你说“重复”有无效的字段。 在这种情况下，您可以使用排序技巧修改上述内容：

  SELECT * FROM ProductsTable ORDER BY Product, FieldWhichShouldNotBeNULL IS NULL;

然后，如果您只有一行产品，一切都很好，它将被选中。 如果你有更多，那么（FieldWhichShouldNeverBeNull IS NULL）为FALSE的那个（即FieldWhichShouldNeverBeNull实际上不是空的那个）将首先被选中并插入。 由于IGNORE条款的原因，所有其他人都会默默地反弹，而不是产品的唯一性。 这不是一个非常漂亮的方式（并且检查我在我的条款中没有将false与false混合！），但它应该有效。

编辑
实际上更多是一个新的答案

这是一个简单的表来说明问题

CREATE TABLE ProductTable ( Product varchar(10), Description varchar(10) );
INSERT INTO ProductTable VALUES ( 'CBPD10', 'C-Beam Prj' );
INSERT INTO ProductTable VALUES ( 'CBPD11', 'C Proj Mk2' );
INSERT INTO ProductTable VALUES ( 'CBPD12', 'C Proj Mk3' );

还没有索引，也没有主键。 我们仍然可以将Product声明为主键。

但是有些事情发生了。 两个新记录进入，并且都有NULL描述。

然而，第二个是有效的产品，因为我们之前对CBPD14一无所知，因此我们不想完全失去这个记录。 我们确实希望摆脱虚假的CBPD10。

INSERT INTO ProductTable VALUES ( 'CBPD10', NULL );
INSERT INTO ProductTable VALUES ( 'CBPD14', NULL );

一个粗鲁的DELETE FROM ProductTable WHERE描述IS NULL是不可能的，它会杀死CBPD14，这不是重复的。

所以我们这样做。 首先获取重复列表：

SELECT Product, COUNT(*) AS Dups FROM ProductTable GROUP BY Product HAVING Dups > 1;

我们假设：“每组坏记录至少有一条好的记录”。

我们通过设置相反的方式并查询它来检查这个假设。 如果所有都是copacetic，我们希望此查询不返回任何内容。

SELECT Dups.Product FROM ProductTable
RIGHT JOIN ( SELECT Product, COUNT(*) AS Dups FROM ProductTable GROUP BY Product HAVING Dups > 1 ) AS Dups
ON (ProductTable.Product = Dups.Product
        AND ProductTable.Description IS NOT NULL)
WHERE ProductTable.Description IS NULL;

为了进一步验证，我插入了两个代表这种失败模式的记录; 现在我希望上面的查询返回新代码。

INSERT INTO ProductTable VALUES ( "AC5", NULL ), ( "AC5", NULL );

现在“检查”查询确实返回，

AC5

因此，Dups的产生看起来很好。

我现在开始删除所有重复记录无效的。 如果存在重复的有效记录，则它们将保持重复，除非可以找到某些条件，区分其中一个“好”记录并声明所有其他“无效”（可能用不同于字段的字段重复该过程）。

但是，有一个问题。 目前，您无法从表中删除并从子查询中的同一个表中进行选择 （ http://dev.mysql.com/doc/refman/5.0/en/delete.html ）。 因此需要一些解决方法：

CREATE TEMPORARY TABLE Dups AS
     SELECT Product, COUNT(*) AS Duplicates
         FROM ProductTable GROUP BY Product HAVING Duplicates > 1;

DELETE ProductTable FROM ProductTable JOIN Dups USING (Product)
    WHERE Description IS NULL;

现在，这将删除所有无效记录，前提是它们出现在Dups表中。

因此，我们的CBPD14记录将保持不变，因为它不会出现在那里。 CBPD10的“好”记录将保持不变，因为它的描述为NULL并不正确。 所有其他人 - 噗。

让我再次声明，如果一条记录没有有效记录，但 它是重复的，那么该记录的所有副本都将被杀死 - 没有幸存者 。

为了避免这种情况，可以先将SELECT（使用上面的查询，检查“哪些应该不返回”）表示这种失败模式的行放入另一个TEMPORARY TABLE中，然后在删除后将它们重新插入主表（使用事务可能是为了）。

Answer 2

通过编写旧表并重命名来创建新表。 还要将旧表中的所有对象（索引等..）编写为新表。 将守护者插入新表中。 如果您的数据库是批量记录或简单恢复模型，则此操作将被最小化记录。 删除旧表，然后将新表重命名为旧名称。

相比删除的优点是插入可以最小化记录。 删除会进行双重工作，因为不仅会删除数据，还必须将删除写入事务日志。 对于大表，最少记录的插入将比删除快得多。

Answer 3

如果它不是那么大并且你有一些停机时间，并且你有Sql Server Management工作室，你可以使用GUI在表上放置一个标识字段。 现在你有像CTE这样的情况，除了行本身是真正独特的。 所以现在你可以做到以下几点

SELECT MIN(table_a.MyTempIDField)
FROM
table_a lhs
join table_1 rhs
 on lhs.field1 = rhs.field1
 and lhs.field2 = rhs.field2 [etc]
WHERE
 table_a.MyTempIDField <> table_b.MyTempIDField
GROUP BY
 lhs.field1, rhs.field2 etc

这为您提供了所有“好”重复项。 现在，您可以使用DELETE FROM查询包装此查询。

DELETE FROM lhs
FROM table_a lhs
join table_b rhs
 on lhs.field1 = rhs.field1
 and lhs.field2 = rhs.field2 [etc]
WHERE
 lhs.MyTempIDField <> rhs.MyTempIDField
 and lhs.MyTempIDField not in (

SELECT MIN(lhs.MyTempIDField)
FROM
table_a lhs
join table_a rhs
 on lhs.field1 = rhs.field1
 and lhs.field2 = rhs.field2 [etc]
WHERE
 lhs.MyTempIDField <> rhs.MyTempIDField
GROUP BY
  lhs.field1, lhs.field2 etc
)

Answer 4

尝试这个：

DELETE FROM TblProducts     
WHERE Product IN
      (
     SELECT Product
     FROM TblProducts
     GROUP BY Product
     HAVING COUNT(*) > 1)

这会带来缺陷，即它会删除具有重复产品的所有记录。 你可能想要做的是删除给定产品的每组记录中的一个。 可能值得将所有重复项首先复制到单独的表中，然后以某种方式从该表中删除重复项，然后应用上述内容，然后将剩余的产品复制回原始表。