1. ホーム
  2. データベース
  3. ポストグレスキュー

postgresql いくつかのメソッドは、要約の重複するデータを削除する

2022-01-19 04:27:47

この間、PGデータベースを使用して、重複データの削除方法を3つまとめたが、この中で最も考えやすいのは、最もオーソドックスな削除方法だが、この方法は、実装は簡単だが、性能が悪すぎて、データの書き込み速度に影響し、削除時間が長くなる。

もうひとつは、より効率的な削除方法であるグループ別削除方式を採用したものです。

もうひとつ、発見されたばかりで、まだ検証されていないものがあります。では、3つの削除方法をまとめて、それぞれの実行効率を検証してみます。

まずベースとなるテーブルを作成し、一定量の重複データを挿入する。

  test=# create table deltest(id int, name varchar(255));
  CREATE TABLE
  test=# create table deltest_bk (like deltest);
  CREATE TABLE
  test=# insert into deltest select generate_series(1, 10000), 'ZhangSan';
  INSERT 0 10000
  test=# insert into deltest select generate_series(1, 10000), 'ZhangSan';
  INSERT 0 10000
  test=# insert into deltest_bk select * from deltest;

通常の削除方法

一番簡単に考えられるのは、データが重複しているかどうかを判断し、重複しているデータのうちctidが最小(または最大)のものだけを残し、残りを削除する方法です。

test=# explain analyse delete from deltest a where a.ctid <> (select min(t.ctid) from deltest t where a.id=t.id);
                               QUERY PLAN
  -----------------------------------------------------------------------------------------------------------------------------
  Delete on deltest a (cost=0.00..195616.30 rows=1518 width=6) (actual time=67758.866..67758.866 rows=0 loops=1)
    -> Seq Scan on deltest a (cost=0.00..195616.30 rows=1518 width=6) (actual time=32896.517..67663.228 rows=10000 loops=1)
     Filter: (ctid <> (SubPlan 1))
     Rows Removed by Filter: 10000
     SubPlan 1
      -> Aggregate (cost=128.10..128.10 rows=1 width=6) (actual time=3.374..3.374 rows=1 loops=20000)
         -> Seq Scan on deltest t (cost=0.00..128.07 rows=8 width=6) (actual time=0.831..3.344 rows=2 loops=20,000)
            Filter: (a.id = id)
            Rows Removed by Filter: 19998
  Total runtime: 67758.931 ms
  test=# select count(*) from deltest;
  count
  -------
  10000
  (1 row of records)

ご覧の通り、同じidのデータでもctidが一番小さいものを残し、それ以外を削除しています。これはdeltestテーブルのデータの半分を削除することに相当し、67s以上かかります。かなり遅いですね。

削除方法によるグループ化

2つ目はgroup byメソッドで、グループ化によってctidが最小のデータを見つけ出し、それ以外のデータを削除する方法です。

  test=# truncate table deltest;
  TRUNCATE TABLE
  test=# insert into deltest select * from deltest_bk;
  INSERT 0 20000
  test=# explain analyse delete from deltest a where a.ctid not in (select min(ctid) from deltest group by id);
                               QUERY PLAN
  ----------------------------------------------------------------------------------------------------------------------------------
  Delete on deltest a (cost=131.89..2930.46 rows=763 width=6) (actual time=30942.496..30942.496 rows=0 loops=1)
    -> Seq Scan on deltest a (cost=131.89..2930.46 rows=763 width=6) (actual time=10186.296..30814.366 rows=10000 loops=1)
     Filter: (NOT (SubPlan 1))
     Rows Removed by Filter: 10000
     SubPlan 1
      -> Materialize (cost=131.89..134.89 rows=200 width=10) (actual time=0.001..0.471 rows=7500 loops=20000)
         -> HashAggregate (cost=131.89..133.89 rows=200 width=10) (actual time=10.568..13.584 rows=10000 loops=1)
            -> Seq Scan on deltest (cost=0.00..124.26 rows=1526 width=10) (actual time=0.006..3.829 rows=20,000 loops=1)
   Total runtime: 30942.819 ms
  (9 rows)
  test=# select count(*) from deltest;
   count
  -------
  10000
  (1 row of records)

同じように半分のデータが削除され、group byを使うことで半分の時間を節約していることがわかります。しかし、まだ30秒かかるので、3番目の削除操作を試してみましょう。

新しい削除方法

postgres bookの中で、より効率的な削除方法について言及されていますが、ここでは以下のように検証しています。

  test=# truncate table deltest;
  TRUNCATE TABLE
  test=# insert into deltest select * from deltest_bk;
  INSERT 0 20000                             
  test=# explain analyze delete from deltest a where a.ctid = any(array (select ctid from (select row_number() over (partition by id), ctid from deltest) t where t.row_number > 1));
                               QUERY PLAN
  ----------------------------------------------------------------------------------------------------------------------------------
  Delete on deltest a (cost=250.74..270.84 rows=10 width=6) (actual time=98.363..98.363 rows=0 loops=1)
  InitPlan 1 (returns $0)
   -> Subquery Scan on t (cost=204.95..250.73 rows=509 width=6) (actual time=29.446..47.867 rows=10000 loops=1)
      Filter: (t.row_number > 1)
      Rows Removed by Filter: 10000
      -> WindowAgg (cost=204.95..231.66 rows=1526 width=10) (actual time=29.436..44.790 rows=20000 loops=1)
         -> Sort (cost=204.95..208.77 rows=1526 width=10) (actual time=12.466..13.754 rows=20,000 loops=1)
            Sort Key: deltest.id
            Sort Method: quicksort Memory: 1294kB
            -> Seq Scan on deltest (cost=0.00..124.26 rows=1526 width=10) (actual time=0.021..5.110 rows=20000 loops=1)
  -> Tid Scan on deltest a (cost=0.01..20.11 rows=10 width=6) (actual time=82.983..88.751 rows=10000 loops=1)
     TID Cond: (ctid = ANY ($0))
  Total runtime: 98.912 ms
  (13 rows)
  test=# select count(*) from deltest;
  count
  -------
  10000
  (1 row of records)


私は上記の結果を見て本当に驚いた、私は削除のような高速な方法を初めて見た、私は本当に知らない、ここで神々の本の作者を育成するための方法を崇拝する。

追加:pgsql削除テーブル重複データのいずれかを維持するために

1. テーブルにrownumフィールドを追加する(テーブル名:テーブル主キー:id)、タイプはシリアル

2. ステートメントを実行します。

delete from table where rownum not in( 
select max(rownum) from table group by id 
)

3. 最後にrownumを削除する

上記は私の個人的な経験ですが、参考にしていただき、BinaryDevelopをより支持していただければと思います。もし、間違いや不完全な考察があれば、遠慮なくアドバイスしてください。