导入10万条数据，数据库里有100万条数据，如何判断重复？

Question

具体需求

1. 数据库里存在100万条数据；

2. 要导入10万条数据；

3. 如果要导入的数据在数据表里存在，则终止数据导入；

疑问

如何在每条数据需要对比的情况下快速导入，同时导入失败进行数据回滚？

Answer 1

假定目标表叫做 target（100万数据）， 需要导入的表叫做 source（10万数据）。
本例很大的一部分时间消耗在于判断是否两张表中的记录一样，猜测楼主想要 所有字段都相同（除了id字段）才认定为是同一条记录。

给每条记录计算一个类Hash值，可以存在target和source新建的字段中（hashValue), 计算量是 110万。
然后使用以下语句导入数据

IF EXISTS(
    SELECT TOP 1 1
      FROM source a
      INNER JOIN target b
    ON a.hashValue = b.hashValue
) BEGIN

  -- 返回重复记录
    SELECT a.*
      FROM source a
      INNER JOIN target b
    ON a.hashValue = b.hashValue

END
ELSE 
BEGIN
    INSERT INTO Target(filed1, field2, field3, field4 ... hashValue)
    SELECT
      t.filed1,
      t.field2,
      t.field3,
      t.field4, ..., t.hashValue
    FROM target t
END

Answer 2

如果考虑事务效率必定不高

个人思路参考下：

1、先判断要插入的数据是否存在

select id from table where id in('k1,k2,k3');

2、不存在 拼sql 写入数据库

10w 数据 拼 1条sql,插入速度 2秒 以内解决

可以看下我之前写的一篇文章，优化一次插入20w数据3秒内完成
https://my.oschina.net/famous...

Answer 3

我个人的思路是：关键点在于判重，建立唯一索引，导入的时候就能保障唯一性了，批量导入可以参照@石头记的方法。

Answer 4

基于这个问题，后续在导入的时候又出现了比较大问题，数据导入缓慢，因此关于这个，我写了一篇文章：

https://segmentfault.com/a/11...

希望后续有人看到了之后，能做一定的参考。