10W数据量导入与现有表数据去重

使用的是PostgreSQL

在做大数据量（十万级）导入时，某些字段和数据库表里数据（千万级）重复的需要排除掉，把表数据查询出来用程序的方式判断去重效率很低，于是考虑用临时表。

1. 先把新数据插入到临时表里，临时表结构和原始表一致。
2. 用SQL的方式把不重复的数据DataA查询出来。
3. 把DataA插入到原始表里。

因为不重复的数据我还要做一些其他的处理，所以查出来DataA，若不需做特殊处理可直接使用 insert into select 的方式将第2步的数据插入到原始表，然后清空临时表

第2步有两种方式，一种是用 not exists 的方式，如

SELECT
	* 
FROM
	tableTemp t1 
WHERE
	NOT EXISTS ( SELECT 1 FROM tableName WHERE columnA = t1.columnA AND columnB = t1.columnB )

第二种方式是用 left join

SELECT
	* 
FROM
	tableTemp t1
	LEFT JOIN tableName t2 ON t2.columnA = t1.columnA AND t2.columnB = t2.columnB 
WHERE
	t2.columnA IS NULL

经测试（每个人的表结构和索引各有不同，我这里仅仅提供参考）

临时表数据量少时， not exists 用时较少，随着数据量越多用时越久。当数据达到10w时，用时25s。

临时表数据量少时，left join 用时30s，随着数据量越多变化不大，当数据达到10w时，用时40s。

结论1：单表去重时，只要导入的数据量不是特别特别大（20w级以上），优先使用 not exists 做去重。

但还有一种情况，就是需要对两个表做去重。

例如

SELECT
	* 
FROM
	tableTemp t1 
WHERE
	NOT EXISTS ( 
	SELECT 1 FROM tableNameA WHERE columnA = t1.columnA AND columnB = t1.columnB 
	union all
	select 1 from tableNameB WHERE columnA = t1.columnA AND columnB = t1.columnB 
	);

SELECT
	* 
FROM
	tableTemp t1
	LEFT JOIN tableNameA t2 ON t2.columnA = t1.columnA AND t2.columnB = t1.columnB 
	LEFT JOIN tableNameB t3 ON t3.columnA = t1.columnA AND t3.columnB = t1.columnB 
WHERE
	t2.columnA IS NULL
	AND t3.columnA IS NULL

这种情况下，

临时表数据少时，not exists 用时较少，随着数据量越多用时越久。当数据达到10w时，用时150s！！！。

临时表数据少时，left join 用时仍然是30s，随着数据量越多用时越久。当数据达到10w时，用时仍然是40s。

两者在数据量为3w时，用时不相上下

结论2：双表去重时，当导入的数据在3w以下时，用 not exists，在3w以上时，用 left join。