sql-server – 从大数据集中删除重复项(gt; 100Mio行)

我知道这个主题在此之前出现了很多次,但是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完全存储而停止计算.

我的表看起来如下,并有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

唯一列是SICComb和NameComb.我尝试添加一个主键：

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

但整数只是在新的分钟内填满了超过30 GB的存储空间.

哪个是从表中删除重复项的最快最有效的方法？

解决方法

以下是使用SQL Server语法的想法：

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个表的两个副本.

请注意,创建临时表的语法因数据库而异.有些人使用create table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distinct列的列表中删除标识.或者做：

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,您需要确定行所需的ID.如果您可以为行生成新的id,那么只需将标识列从插入列列表中删除：

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

如果您需要旧的标识值(并且最小值可以),请关闭标识插入并执行：

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

（编辑：温州站长网）

【声明】本站内容均来自网络，其相关言论仅代表作者个人观点，不代表本站立场。若无意侵犯到您的权利，请及时与联系站长删除相关内容!