如何查找重復行

第一步是定義什么樣的行才是重復行。多數情況下很簡單：它們某一列具有相同的值。本文采用這一定義，或許你對“重復”的定義比這復雜，你需要對sql做些修改。本文要用到的數據樣本：

createtabletest(idintnotnullprimarykey,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|
+----+------------+

前面兩行在day字段具有相同的值，因此如何我將他們當做重復行，這里有一查詢語句可以查找。查詢語句使用GROUP BY子句把具有相同字段值的行歸為一組，然后計算組的大小。

selectday,count(*)fromtestGROUPBYday;
+------------+----------+
|day|count(*)|
+------------+----------+
|2006-10-08|2|
|2006-10-09|1|
+------------+----------+

重復行的組大小大于1。如何希望只顯示重復行，必須使用HAVING子句，比如

selectday,count(*)fromtestgroupbydayHAVINGcount(*)>1;
+------------+----------+
|day|count(*)|
+------------+----------+
|2006-10-08|2|
+------------+----------+

這是基本的技巧：根據具有相同值的字段分組，然后知顯示大小大于1的組。

為什么不能使用WHERE子句？因為WHERE子句過濾的是分組之前的行，HAVING子句過濾的是分組之后的行。

如何刪除重復行

一個相關的問題是如何刪除重復行。一個常見的任務是，重復行只保留一行，其他刪除，然后你可以創建適當的索引，防止以后再有重復的行寫入數據庫。

同樣，首先是弄清楚重復行的定義。你要保留的是哪一行呢？第一行，或者某個字段具有最大值的行？本文中，假設要保留的是第一行——id字段具有最小值的行，意味著你要刪除其他的行。

也許最簡單的方法是通過臨時表。尤其對于MYSQL，有些限制是不能在一個查詢語句中select的同時update一個表。簡單起見，這里只用到了臨時表的方法。

我們的任務是：刪除所有重復行，除了分組中id字段具有最小值的行。因此，需要找出大小大于1的分組，以及希望保留的行。你可以使用MIN()函數。這里的語句是創建臨時表，以及查找需要用DELETE刪除的行。

createtemporarytableto_delete(daydatenotnull,min_idintnotnull);

insertintoto_delete(day,min_id)
selectday,MIN(id)fromtestgroupbydayhavingcount(*)>1;

select*fromto_delete;
+------------+--------+
|day|min_id|
+------------+--------+
|2006-10-08|1|
+------------+--------+

有了這些數據，你可以開始刪除“臟數據”行了。可以有幾種方法，各有優劣，只是說明在支持查詢子句的關系數據庫中，使用的標準方法。

deletefromtest
whereexists(
select*fromto_delete
whereto_delete.day=test.dayandto_delete.min_id<>test.id
)

如何查找多列上的重復行

有人最近問到這樣的問題：我的一個表上有兩個字段b和c，分別關聯到其他兩個表的b和c字段。我想要找出在b字段或者c字段上具有重復值的行。

咋看很難明白，通過對話后我理解了：他想要對b和c分別創建unique索引。如上所述，查找在某一字段上具有重復值的行很簡單，只要用group分組，然后計算組的大小。并且查找全部字段重復的行也很簡單，只要把所有字段放到group子句。但如果是判斷b字段重復或者c字段重復，問題困難得多。這里提問者用到的樣本數據

createtablea_b_c(
aintnotnullprimarykeyauto_increment,
bint,
cint
);

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);

現在，你可以輕易看到表里面有一些重復的行，但找不到兩行具有相同的二元組{b, c}。這就是為什么問題會變得困難了。

錯誤的查詢語句

如果把兩列放在一起分組，你會得到不同的結果，具體看如何分組和計算大小。提問者恰恰是困在了這里。有時候查詢語句找到一些重復行卻漏了其他的。這是他用到了查詢

selectb,c,count(*)froma_b_c
groupbyb,c
havingcount(distinctb>1)
orcount(distinctc>1);

結果返回所有的行，因為CONT(*)總是1.為什么？因為 >1 寫在COUNT()里面。這個錯誤很容易被忽略，事實上等效于

selectb,c,count(*)froma_b_c
groupbyb,c
havingcount(1)
orcount(1);

為什么？因為(b > 1)是一個布爾值，根本不是你想要的結果。你要的是

selectb,c,count(*)froma_b_c
groupbyb,c
havingcount(distinctb)>1
orcount(distinctc)>1;

返回空結果。很顯然，因為沒有重復的{b,c}。這人試了很多其他的OR和AND的組合，用來分組的是一個字段，計算大小的是另一個字段，像這樣

selectb,count(*)froma_b_cgroupbybhavingcount(distinctc)>1;
+------+----------+
|b|count(*)|
+------+----------+
|1|3|
|2|3|
|3|3|
+------+----------+

沒有一個能夠找出全部的重復行。而且最令人沮喪的是，對于某些情況，這種語句是有效的，如果錯誤地以為就是這么寫法，然而對于另外的情況，很可能得到錯誤結果。

事實上，單純用GROUP BY 是不可行的。為什么？因為當你對某一字段使用group by時，就會把另一字段的值分散到不同的分組里。對這些字段排序可以看到這些效果，正如分組做的那樣。首先，對b字段排序，看看它是如何分組的

當你對b字段排序（分組），相同值的c被分到不同的組，因此不能用COUNT(DISTINCT c)來計算大小。COUNT()之類的內部函數只作用于同一個分組，對于不同分組的行就無能為力了。類似，如果排序的是c字段，相同值的b也會分到不同的組，無論如何是不能達到我們的目的的。

幾種正確的方法

也許最簡單的方法是分別對某個字段查找重復行，然后用UNION拼在一起，像這樣：

selectbasvalue,count(*)ascnt,'b'aswhat_col
froma_b_cgroupbybhavingcount(*)>1
union
selectcasvalue,count(*)ascnt,'c'aswhat_col
froma_b_cgroupbychavingcount(*)>1;
+-------+-----+----------+
|value|cnt|what_col|
+-------+-----+----------+
|1|3|b|
|2|3|b|
|3|3|b|
|1|3|c|
|2|3|c|
|3|3|c|
+-------+-----+----------+

輸出what_col字段為了提示重復的是哪個字段。另一個辦法是使用嵌套查詢：

selecta,b,cfroma_b_c
wherebin(selectbfroma_b_cgroupbybhavingcount(*)>1)
orcin(selectcfroma_b_cgroupbychavingcount(*)>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|
+----+------+------+

這種方法的效率要比使用UNION低許多，并且顯示每一重復的行，而不是重復的字段值。還有一種方法，將自己跟group的嵌套查詢結果聯表查詢。寫法比較復雜，但對于復雜的數據或者對效率有較高要求的情況，是很有必要的。

selecta,a_b_c.b,a_b_c.c
froma_b_c
leftouterjoin(
selectbfroma_b_cgroupbybhavingcount(*)>1
)asbona_b_c.b=b.b
leftouterjoin(
selectcfroma_b_cgroupbychavingcount(*)>1
)ascona_b_c.c=c.c
whereb.bisnotnullorc.cisnotnull

以上方法可行，我敢肯定還有其他的方法。如果UNION能用，我想會是最簡單不過的了。

審核編輯：湯梓紅