mysql百万级数据快速去重

最近在处理项目组的一个数据集，数据量每张表在百万级，由于数据量较大在数据下载和处理方面都可以说是旷日持久，这篇记录一下相关的经验。

数据下载

拿到的数据是在远程数据库里面，原先打算直接从远程库里下载csv或txt到电脑上，但在mysql上进行这样的操作好像不是很方便速度也很慢。

目前在使用的方法是将远程数据库里面的数据导出为sql到本地，导入本地数据库后进行操作，但这一过程也很缓慢，一个百万级数据库在navicat里面可能要导个半个小时，在命令行可能会快一点但没有尝试。

MySQL中的去重

基本思路是复制原表A结构新建一个表B，对表B添加UNIQUE约束，然后将表A中的数据逐条插入表B，约束会自动实现去重。

#复制表结构

CREATE TABLE newTable LIKE oldTable;

#修改表字段，因为httpURL太大

ALTER TABLE newTable MODIFY httpURL VARCHAR(300);

#为表格添加约束条件(在Mysql5中，如果约束字段过大，则报错，因此要先执行上面的修改表字段)

ALTER TABLE newTable ADD UNIQUE(IP,timeStart);

#为新表中添加数据(约束条件自动去重)

INSERT IGNORE newTable

SELECT * FROM newTable

ORDER BY IP,timeStart;

测试的表数据量在三百万左右，去重后数据在二百万左右，在navicat实现时间2168.470s，命令行应该会更快。