MySQL 如何查找并删除重复记录的实现

大家好，我是只谈技术不剪发的 Tony 老师。由于一些历史原因或者误操作，可能会导致数据表中存在重复的记录；今天我们就来谈谈如何查找 MySQL 表中的重复数据以及如何删除这些重复的记录。


创建示例表

首先创建一个示例表 people 并生成一些数据：

drop table if exists people;

create table people (

id int auto_increment primary key,

name varchar(50) not null,

email varchar(100) not null

);

insert into people(name, email)

values (‘张三’, ‘zhangsan@test.com’),

  (‘李四’, ‘lisi@test.com’),

  (‘王五’, ‘wangwu@test.com’),

  (‘X’, ‘lisi@test.com’),

  (‘王五’, ‘wangwu@test.com’),

  (‘王五’, ‘wangwu@test.com’);

select * from people;

id|name |email   |

–|——|—————–|

1|张三 |zhangsan@test.com|

2|李四 |lisi@test.com |

3|王五 |wangwu@test.com |

4|X |lisi@test.com |

5|王五 |wangwu@test.com |

6|王五 |wangwu@test.com |其中，2 和 4 的 email 字段存在重复数据；3、5 和 6 的 name 和 email 字段存在重复数据。

此时，如果我们想要为 email 创建一个唯一约束，将会返回错误：

alter table people add constraint uk_people_email unique key (email);

ERROR 1062 (23000): Duplicate entry ‘wangwu@test.com’ for key ‘people.uk_people_email’

显然，我们必须找出并删除 email 字段中的重复记录才能创建唯一约束。


查找单个字段中的重复数据

如果想要找出 email 重复的数据，可以基于该字段进行分组统计，并且返回行数大于 1 的分组：

select email, count(email)

from people

group by email

having count(email) > 1;

email   |count(email)|

—————|————|

lisi@test.com |   2|

wangwu@test.com|   3|

查询结果显示有两个邮箱地址存在重复情况。如果想要查看完整的重复数据，可以使用子查询或者连接查询：

select *

from people

where email in (

  select email

  from people

  group by email

  having count(email) > 1)

order by email;

id|name |email   |

–|——|—————|

2|李四 |lisi@test.com |

4|X |lisi@test.com |

3|王五 |wangwu@test.com|

5|王五 |wangwu@test.com|

6|王五 |wangwu@test.com|

select p.*

from people p

join (

select email

from people

group by email

having count(email) > 1

) d on p.email = d.email

order by email;

id|name |email   |

–|——|—————|

2|李四 |lisi@test.com |

4|X |lisi@test.com |

3|王五 |wangwu@test.com|

5|王五 |wangwu@test.com|

6|王五 |wangwu@test.com|

另一种查找重复记录的方法就是直接使用自连接查询和 distinct 操作符，例如：

select distinct p.*

from people p

join people d on p.email = d.email

where p.id <> d.id

order by p.email;

id|name |email   |

–|——|—————|

4|X |lisi@test.com |

2|李四 |lisi@test.com |

6|王五 |wangwu@test.com|

5|王五 |wangwu@test.com|

3|王五 |wangwu@test.com|

注意，不能省略 distinct，否则会某些数据（3、5、6）会返回多次。


查找多个字段中的重复数据

如果我们想要找出 name 和 email 字段都重复的数据，实现方式也类似：

select *

from people

where (name, email) in (

  select name, email

  from people

  group by name, email

  having count(1) > 1)

order by email;

id|name |email   |

–|——|—————|

3|王五 |wangwu@test.com|

5|王五 |wangwu@test.com|

6|王五 |wangwu@test.com|

select distinct p.*

from people p

join people d on p.name = d.name and p.email = d.email

where p.id <> d.id

order by email;

id|name |email   |

–|——|—————|

6|王五 |wangwu@test.com|

5|王五 |wangwu@test.com|

3|王五 |wangwu@test.com|

只有当 name 和 email 都相同时才是重复数据，所以 2 和 4 不是重复记录。


删除重复数据

找出重复数据之后，需要解决的就是如何删除了，通常我们需要保留其中的一条记录。


使用 DELETE FROM 删除重复数据

假如我们想要删除 email 重复的记录，只保留其中一条，可以使用 DELETE FROM 语句实现：

delete p

from people p

join people d on p.email = d.email and p.id < d.id;

delete 语句通过连接找出需要删除的记录，以上示例保留了重复数据中的最大 id 对应的数据行。再次查询 people 表：

select * from people;

id|name |email   |

–|——|—————–|

1|张三 |zhangsan@test.com|

4|X |lisi@test.com |

6|王五 |wangwu@test.com |

想一想，如果想要保留重复数据中 id 最小的数据应该怎么实现呢？


利用子查询删除重复数据

通过子查询可以找出需要保留的数据，然后删除其他的数据：

delete

from people

where id not in (

  select max(id)

  from people

  group by email

  );

在执行上面的语句之前，记得重新创建 people 表并生成测试数据。


通过中间表删除重复数据

通过使用中间表也可以实现重复记录的删除，例如：

— 创建中间表

create table people_temp like people;

— 复制需要保留的数据行

insert into people_temp(id, name, email)

select id, name, email

from people

where id in (

  select max(id)

  from people

  group by email

  );

–删除原表

drop table people;

— 将中间表重命名为原表

alter table people_temp rename to people;

在执行上面的语句之前，记得重新创建 people 表并生成测试数据。

这种方式需要注意的一个问题就是 create table … like 语句不会复制原表上的外键约束，需要手动添加。


利用窗口函数删除重复数据

ROW_NUMBER() 是 MySQL 8.0 中新增的窗口函数，可以用于将数据进行分组，然后为每一条数据分配一个唯一的数字编号。例如：

select id, name, email,

  row_number() over (partition by email order by id) as row_num

from people;

id|name |email   |row_num|

–|——|—————–|——-|

2|李四 |lisi@test.com |  1|

4|X |lisi@test.com |  2|

3|王五 |wangwu@test.com |  1|

5|王五 |wangwu@test.com |  2|

6|王五 |wangwu@test.com |  3|

1|张三 |zhangsan@test.com|  1|

以上语句基于 email 分组（partition by email），同时按照 id 进行排序（order by id），然后为每个组内的数据分配一个编号；如果编号大于 1 就意味着存在重复的数据。