Hai situacións nas que a unha táboa sen chave primaria ou algún outro índice único, debido a un descoido, inclúense clons completos de rexistros xa existentes.
Por exemplo, os valores dunha métrica cronolóxica escríbense en PostgreSQL mediante un fluxo COPY, e despois prodúcese un fallo repentino e parte dos datos completamente idénticos chegan de novo.
Como eliminar a base de datos de clons innecesarios?
Cando PK non é un axudante
O xeito máis sinxelo é evitar que tal situación se produza en primeiro lugar. Por exemplo, tirar CLAVE PRIMARIA. Pero isto non sempre é posible sen aumentar o volume de datos almacenados.
Por exemplo, se a precisión do sistema fonte é maior que a precisión do campo da base de datos:
metric | ts | data
--------------------------------------------------
cpu.busy | 2019-12-20 00:00:00 | {"value" : 12.34}
cpu.busy | 2019-12-20 00:00:01 | {"value" : 10}
cpu.busy | 2019-12-20 00:00:01 | {"value" : 11.2}
cpu.busy | 2019-12-20 00:00:03 | {"value" : 15.7}
Notaches? A conta atrás en lugar de 00:00:02 rexistrouse na base de datos con ts un segundo antes, pero permaneceu bastante válida desde o punto de vista da aplicación (a fin de contas, os valores dos datos son diferentes!).
Por suposto que podes facelo PK(métrico, ts) - pero despois obteremos conflitos de inserción para datos válidos.
Pode facer PK(métrica, ts, datos) - pero isto aumentará moito o seu volume, que non usaremos.
Polo tanto, a opción máis correcta é facer un índice regular non único (métrica, ts) e tratar os problemas despois do feito se xorden.
"A guerra clónica comezou"
Ocorreu algún tipo de accidente e agora temos que destruír os rexistros clonados da táboa.
Modelemos os datos orixinais:
CREATE TABLE tbl(k text, v integer);
INSERT INTO tbl
VALUES
('a', 1)
, ('a', 3)
, ('b', 2)
, ('b', 2) -- oops!
, ('c', 3)
, ('c', 3) -- oops!!
, ('c', 3) -- oops!!
, ('d', 4)
, ('e', 5)
;
Aquí a nosa man tremeu tres veces, Ctrl+V quedou atascado e agora...
En primeiro lugar, entendamos que a nosa táboa pode ser moi grande, polo que despois de atopar todos os clons, é aconsellable que literalmente "foquemos o dedo" para eliminar rexistros específicos sen buscalos de novo.
E hai tal forma - esta
É dicir, en primeiro lugar, necesitamos recoller o ctid dos rexistros no contexto do contido completo da fila da táboa. A opción máis sinxela é lanzar toda a liña en texto:
SELECT
T::text
, array_agg(ctid) ctids
FROM
tbl T
GROUP BY
1;
t | ctids
---------------------------------
(e,5) | {"(0,9)"}
(d,4) | {"(0,8)"}
(c,3) | {"(0,5)","(0,6)","(0,7)"}
(b,2) | {"(0,3)","(0,4)"}
(a,3) | {"(0,2)"}
(a,1) | {"(0,1)"}
É posible non emitir?En principio, é posible na maioría dos casos. Ata que comeces a usar os campos desta táboa tipos sen operador de igualdade:
CREATE TABLE tbl(k text, v integer, x point);
SELECT
array_agg(ctid) ctids
FROM
tbl T
GROUP BY
T;
-- ERROR: could not identify an equality operator for type tbl
Si, inmediatamente vemos que se hai máis dunha entrada na matriz, todos son clons. Deixámolos:
SELECT
unnest(ctids[2:])
FROM
(
SELECT
array_agg(ctid) ctids
FROM
tbl T
GROUP BY
T::text
) T;
unnest
------
(0,6)
(0,7)
(0,4)
Para os que lles gusta escribir máis brevementeTamén podes escribilo así:
SELECT
unnest((array_agg(ctid))[2:])
FROM
tbl T
GROUP BY
T::text;
Dado que o valor da cadea serializada en si non é interesante para nós, simplemente eliminámolo das columnas devoltas da subconsulta.
Só queda un pouco por facer: fai que DELETE use o conxunto que recibimos:
DELETE FROM
tbl
WHERE
ctid = ANY(ARRAY(
SELECT
unnest(ctids[2:])
FROM
(
SELECT
array_agg(ctid) ctids
FROM
tbl T
GROUP BY
T::text
) T
)::tid[]);
Comprobámonos:
Si, todo é correcto: os nosos 3 rexistros foron seleccionados para a única exploración secuencial de toda a táboa e o nodo Eliminar utilizouse para buscar datos pase único con Tid Scan:
-> Tid Scan on tbl (actual time=0.050..0.051 rows=3 loops=1)
TID Cond: (ctid = ANY ($0))
Se borraches moitos rexistros,
Comprobamos se hai unha táboa máis grande e cun maior número de duplicados:
TRUNCATE TABLE tbl;
INSERT INTO tbl
SELECT
chr(ascii('a'::text) + (random() * 26)::integer) k -- a..z
, (random() * 100)::integer v -- 0..99
FROM
generate_series(1, 10000) i;
Polo tanto, o método funciona correctamente, pero debe usarse con certa precaución. Porque por cada rexistro que se elimina, hai unha páxina de datos lida en Tid Scan e outra en Eliminar.
Fonte: www.habr.com