大數據操作：刪除和去重

一些看似簡單的數據操作，當作用于海量數據集時，就會出現「意料之外，卻在情理之中」的問題，海量數據操作，需要採用特殊方法，才能「曲徑通幽」。在刪除海量數據時，需要注意日誌的增長，索引碎片的增加和資料庫的恢復模式，特別是利用大容量日誌操作，來減少日誌的增長和提高數據插入的速度。對於大數據去重，通過一些小小的改進，比如創建索引，設置忽略重複值選項等，能夠提高去重的效率。

一，從海量數據中刪除數據

從海量數據表中刪除一半數據，看似簡單，使用delete命令，如果真這麼干，SQL Server產生的事務日誌暴增，估計會把伺服器硬碟爆掉。資料庫的恢復模式會影響日誌文件的增長，在刪除海量數據時，根據採用的方法，相應地把恢復模式設置為simple，或bulk_logged 模式，能夠在很大程度上減少刪除操作產生的事務日誌，從而避免日誌暴增。

另外，在刪除數據時，把表上的多餘索引刪除（注意，是刪除多餘的索引），只保留一個必需的索引；在數據刪除完成之後，再重建索引，能夠提高數據刪除操作的性能。有人做過實驗，從存儲1.6億條記錄的大表中刪除數據，每刪除400萬條要消耗1.5 - 3小時，越到後面速度越慢，為什麼？這是因為，每次刪除數據時，資料庫都要相應地更新索引，這是很慢的硬碟 IO操作，並且，越到後面，索引碎片越多，更新索引就越慢，這就是在刪除400萬條記錄時，一開始只消耗1.5小時，後面要消耗3小時原因。

最後，根據保留數據佔總數據量的比例，選擇不同的方法刪除數據。如果大表中保留的數據較少，可以先把保留的數據存儲到臨時表中，然後，把原始表刪除，這樣能夠利用大容量日誌操作，來減少日誌的增長和提高數據插入的速度。

1，循環刪除，避免日誌文件暴增

在從海量數據表中刪除大量數據時，為了避免日誌文件暴增，通常採用循環刪除方法：首先設置恢復模式為simple，然後每次刪除操作都只刪除部分數據，這樣，當單個刪除操作執行完成時，事務日誌會被及時清理，事務日誌一般保持單個刪除操作的事務日誌量。

循環刪除的偽代碼如下，該方法仍有一些局限性，耗時過長，並且會長期使資料庫處於簡單恢復模式下：

--ALTER DATABASE database_name SET RECOVERY SIMPLE ;

while @index<@EndIndex begin delete table_name where index<=@index; set @index+=@Increment end

2，將數據插入導其他表中，把原表truncate

如果原始表有一半以上的數據要被刪除，從原始表中執行delete命令刪除數據，效率十分低下，可以考慮，把原始表中的數據通過select語句篩選出來，然後批量插入導新表中，這種方式利用了大容量日誌（Bulk Logged）操作的優勢。由於 SELECT INTO，INSERT SELECT 是大容量日誌操作，select命令不會產生大量日誌文件，因此，執行插入比執行刪除的效率更高。最後，執行drop命令，刪除整個原始表，幾乎不消耗任何時間。

--ALTER DATABASE database_name SET RECOVERY BULK_LOGGED ;

insert into new_table
select column_list
from original_table

drop table original_table

3，對分區表執行分區轉移操作

SQL Server的分區表實際上是一系列物理上獨立存儲的「表」（也叫做分區）構成的，如果要刪除的數據位於同一個分區，或者，一個分區中的數據都需要被刪除，那麼可以把該分區轉移（switch）到一個臨時表中，由於分區的轉移僅僅是元資料庫的變更，因此，不會產生任何的數據IO，分區轉移瞬間完成。被剝離的分區，通過drop命令刪除，整個過程僅僅會產生少量的IO操作，用於元數據變更；而不會產生用於數據刪除的IO操作，這種方法，耗時最短，資源消耗最小，效率最高。

alter table original_table
SWITCH PARTITION source_partition_number
TO temporary_table

drop table temporary_table

二，從海量數據中去重

數據去重，分為部分列去重和全部列去重，全部列去重，使用distinct子句來實現，由於distinct操作符會創建在tempdb中臨時表，因此，distinct操作是IO密集型的操作。而部分列去重，一般採用row_number排名函數來實現，也可以考慮使用忽略重複值的唯一索引來實現。在實際的項目開發中，部分列去重更為常見。

1，使用row_number函數來實現

選擇排名函數，是因為排名函數有部分列分區排序的功能：首先在部分列上創建索引，這樣資料庫引擎能夠根據索引列快速排序，然後通過row_number函數和cte來實現重複數據的刪除。在數據去重時，需要注意，如果刪除的數據量太大，資料庫引擎會產生大量的事務日誌，導致日誌文件暴增，在選擇該方法時，需要慎重。

create index index_name
on table_name
(
index_columns
)
with(data_compression=page);

with cte as
(
select index_columns,
row_number over(partition by index_columns order by ...) as rn
from table_name
)
delete
from cte
where rn>1

2，使用忽略重複值的唯一索引來實現

通過插入和忽略重複值實現部分列的去重，相對來說，更容易控制，用戶可以通過循環插入方式來執行，這樣，在單獨的一個事務中，控制插入數據的數量，能夠控制產生的事務日誌不至於太大，對於海量數據的去重，建議採用該方法。

創建一個臨時表，在部分列上創建忽略重複值的唯一索引：

create unique index index_name
on new_table
(
index_columns
)
with(ignore_dup_key=on)

由於SQL Server不允許在包含重複值的數據表上創建唯一索引，因此，必須創建一個新的空表，新表時原始表的結構的複製，在部分列上創建忽略重複值的唯一索引。在執行插入操作時， IGNORE_DUP_KEY 選項會忽略重複的索引鍵值，並拋出警告（Warning）。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！