50 万笔新数据插入到数据库，如何避免重复？

[Devin]

1. 50 万笔新数据里可能有重复
2. 数据库原有记录 1000 万笔，新数据可能与原有记录重复

不插入(跳过)以上出现重复的新数据，怎么做最有效率？

每天产生，表格有接近 50 个字段，只能根据 10 个字段判断出记录的唯一性

[optional]

加约束
进临时表
insert on conflict

[levelworm]

先全部导入到临时表，然后 merge 的时候去掉重复的，我是 Vertica 。

[dreasky]

加 unique 索引，insert ignore ,性能就不知道了

[jorneyr]

insert ignore，开启事务，每次 5000 笔提交，几分钟就跑完了

[byte10]

随便 搞下就行了。500W 都不是问题

[taozywu]

1 ）使用 sqlyog，navcat 很 easy 的
2 ）或者在数据表结构增加 unique 索引
3 ）。。。

[egoistttt]

replace into

[LuciferGo]

oracle 的话目标表加个唯一索引，sqlldr 后，重复数据会进入到 bad 文件，也可以用无唯一性中间表导入后去重加载到结果表，MySQL 是 insert 后加个 ignore，就可以了

[AmosAlbert]

先进 Redis

[qiayue]

总共只有 50 万笔需要插入，还是每隔一段时间都会产生 50 万笔？
两种情况有两种完全不同的处理方式。
如果是后者，间隔时间是多久？每秒还是每分钟还是每小时？
场景不介绍清楚，没办法给出最合适的解决方案。

[Devin]

@qiayue 每天产生，表格有接近 50 个字段，只能根据 10 个字段判断出记录的唯一性

[SlipStupig]

@Devin 将这十个字段生成一个 SHA256 的 hash，作为索引，很容易判断的啊

[qiayue]

是的，按顺序拼接十个字段，记住中间要加入分隔符，然后算下 md5 值当做唯一键

[kaiki]

加个索引呗

[hejw19970413]

先分类 、多加个字段 。 归并排序的思想

[xmge]

replaceinto

[lithbitren]

拼接哈希在内存里操作就得了，1000 万也没多少的，处理完数据再用唯一索引结构

[xcstream]

布隆过滤器

[wellsc]

@xcstream 五十万就上布隆了，是不是八股文看多了

[autogen]

加 union index，直接 insert 就会跳过重复的数据

[autogen]

50 万不多不少，1 分钟应该能导完

[janus77]

50 万本身先去个重。我个人的话，先取 10 个字段里的第一个过滤遍，第二个再过滤一遍，然后剩下的 8 个字段做 hash 过滤一遍。这样做的原因是前两遍可以以最小的成本达到最大比例的过滤效果。当然这个前 n 遍可以根据你们字段复杂度来定。这整个步骤在临时表做
然后就是 50 万里面剩下的数据，再用 10 个字段做 hash，和主表过滤。完毕

[nuistzhou]

这数据不多，加个约束很简单，就像楼上说的，不过可能会花点时间。我之前整类似的上亿条的才叫慢...

[wangbenjun5]

建个索引就能解决的问题，如果追求性能，那就加个布隆过滤器呗

[zjttfs]

十个字段拼接算出 md5 , 然后 md5 也存进去,md5 字段加唯一索引.

[hubahuba]

@zjttfs 这是啥操作老哥 求解释

[optional]

@zjttfs 50w 冲突概率挺大的