MySQL中distinct語句去查詢重復記錄及相關的性能討論

在 MySQL 查詢中，可能會包含重復值。這並不成問題，不過，有時您也許希望僅僅列出不同（distinct）的值。

關鍵詞 DISTINCT 用於返回唯一不同的值，就是去重啦。用法也很簡單：

SELECT DISTINCT * FROM tableName

DISTINCT 這個關鍵字來過濾掉多余的重復記錄只保留一條。

另外，如果要對某個字段去重，可以試下：

SELECT *, COUNT(DISTINCT nowamagic) FROM table GROUP BY nowamagic

這個用法，MySQL的版本不能太低。

在編寫查詢之前，我們甚至應該對過濾條件進行排序，真正高效的條件（可能有多個，涉到同的表）是查詢的主要驅動力，低效條件只起輔助作用。那麼定義高效過濾條件的准則是什呢？首先，要看過濾條件能否盡快減少必須處理的數據量。所以，我們必須倍加關注條件的寫方式。
假設有四個表： customers 、 orders 、 orderdetail 、 articles ，現在假設 SQL 要處理的問題是：找出最近六個月內居住在 Gotham 市、訂購了蝙蝠車的所有客戶。當然，編寫這個查詢有多種方法， ANSI SQL 的推崇者可能寫出下列語句：

select distinct c.custname
from customers c
join orders o
on o.custid = c.custid
join orderdetail od
on od.ordid = o.ordid
join articles a
on a.artid = od.artid
where c.city = 'GOTHAM'
and a.artname = 'BATMOBILE'
and o.ordered >= somefunc

其中， somefunc 是個函數，返回距今六個月前的具體日期。注意上面用了 distinct ，因為考慮到某個客戶可以是大買家，最近訂購了好幾台蝙蝠車。
暫不考慮優化器將如何改寫此查詢，我們先看一下這段代碼的含義。首先，來自 customers 表的數據應只保留城市名為 Gotham 的記錄。接著，搜索 orders 表，這意味著 custid 字段最好有索引，否則只有通過排序、合並或掃描 orders 表建立一個哈希表才能保證查詢速度。對 orders 表 ，還要針對訂單日期進行過濾：如果優化器比較聰明，它會在連接（ join ）前先過濾掉一些數據，從而減少後面要處理的數據量；不太聰明的優化器則可能會先做連接，再作過濾，這時在連接中指定過濾條件利於提高性能，例如：

join orders o
on o.custid = c.custid
and a.ordered >= somefunc

注意，如果是：

left outer join orders o on
o.custid = c.custid
and a.ordered >= somefunc

此處關於left表的篩選條件將失效，因為是左外連接，左表的所有列都將出現在這次連接結果集中）。
即使過濾條件與連接（ join ）無關，優化器也會受到過濾條件的影響。例如，若 orderdetail 的主鍵為（ ordid, artid ），即 ordid 為索引的第一個屬性，那麼我們可以利用索引找到與訂單相關的記錄。但如果主鍵是（ artid, ordid ）就太不幸了（注意，就關系理論而言 ，無論哪個版本都是完全一樣），此時的訪問效率比（ ordid, artid ）作為索引時要差，甚至一些數據庫產品無法使用該索引（注 3 ），唯一的希望就是在ordid 上加獨立索引了。
連接了表 orderdetail 和 orders 之後，來看 articles 表，這不會有問題，因為表 order 包括 artid 字段。最後，檢查 articles 中的值是否為 Batmobile 。查詢就這樣結束了，因為用了 distinct ，通過層層篩選的客戶名還必須要排序，以剔除重復項目。
避免在最高層使用 distinct 應該是一條基本規則 。原因在於，即使我們遺漏了連接的某個條件， distinct 也會使查詢 " 看似正確 " 地執行 —— 無可否認，發現重復數據容易，發現數據不准確很難，所以避免在最高層使用 distinct 應該是一條基本規則。
發現結果不正確更難，例如，如果恰巧有多位客戶都叫 " Wayne " ， distinct 不但會剔除由同個客戶的多張訂單產生的重復項目，也會剔除由名字相同的不同客戶產生的重復項目。事實上，應該同時返回具唯一性的客戶 ID 和客戶名，以保證得到蝙蝠車買家的完整清單。
要擺脫 distinct ，可考慮以下思路：客戶在 Gohtam 市，而且滿足存在性測試，即在最近六個月訂購過蝙蝠車。注意，多數（但非全部） SQL 方言支持以下語法：

select c.custname
from customers c
where c.city = 'GOTHAM'
and exists (select null
from orders o,
orderdetail od,
articles a
where a.artname = 'BATMOBILE'
and a.artid = od.artid
and od.ordid = o.ordid
and o.custid = c.custid
and o.ordered >= somefunc )

上例的存在性測試，同一個名字可能出現多次，但每個客戶只出現一次，不管他有多少訂單。有人認為我對 ANSI SQL 語法的挑剔有點苛刻（指 " 蝙蝠車買主 " 的例子），因為上面代碼中customers 表的地位並沒有降低。其實，關鍵區別在於，新查詢中 customers 表是查詢結果的唯一來源（嵌套的子查詢會負責找出客戶子集），而先前的查詢卻用了 join 。
這個嵌套的子查詢與外層的 select 關系十分密切。如代碼第 11 行所示（粗體部分），子查詢參照了外層查詢的當前記錄，因此，內層子查詢就是所謂的關聯子查詢（ correlated subquery ）。
此類子查詢有個弱點，它無法在確定當前客戶之前執行。如果優化器不改寫此查詢，就必須先找出每個客戶，然後逐一檢查是否滿足存在性測試，當來自 Gotham 市的客戶非常少時執行效率倒是很高，否則情況會很糟（此時，優秀的優化器應嘗試其他執行查詢的方式）。

select custname
from customers
where city = 'GOTHAM'
and custid in
(select o.custid
from orders o,
orderdetail od,
articles a
where a.artname = 'BATMOBILE'
and a.artid = od.artid
and od.ordid = o.ordid
and o.ordered >= somefunc)

在這個例子中，內層查詢不再依賴外層查詢，它已變成了非關聯子查詢（ uncorrelated subquery ），只須執行一次。很顯然，這段代碼采用了原有的執行流程。在本節的前一個例子 中 ，必須先搜尋符合地點條件的客戶（如均來自 GOTHAM ），接著依次檢查各個訂單。而現在，訂購了蝙蝠車的客戶，可以通過內層查詢獲得。
不過，如果更仔細地分析一下，前後兩個版本的代碼還有些更微妙的差異。含關聯子查詢的代碼中，至關重要的是 orders 表中的 custid 字段要有索引，而這對另一段代碼並不重要，因為這時要用到的索引（如果有的話）是表 customers 的主鍵索引。
你或許注意到，新版的查詢中執行了隱式的 distinct 。的確，由於連接操作，子查詢可能會返回有關一個客戶的多條記錄。但重復項目不會有影響，因為 in 條件只檢查該項目是否出現在子查詢返回的列表中，且 in 不在乎某值在列表中出現了一次還是一百次。但為了一致性，作為整體，應該對子查詢和主查詢應用相同的規則，也就是在子查詢中也加入存在性測試：

select custname
from customers
where city = 'GOTHAM'
and custid in
(select o.custid
from orders o
where o.ordered >= somefunc
and exists (select null
from orderdetail od,
articles a
where a.artname = 'BATMOBILE'
and a.artid = od.artid
and od.ordid = o.ordid))

或者

select custname
from customers
where city = 'GOTHAM'
and custid in
(select custid
from orders
where ordered >= somefunc
and ordid in (select od.ordid
from orderdetail od,
articles a
where a.artname = 'BATMOBILE'
and a.artid = od.artid)

盡管嵌套變得更深、也更難懂了，但子查詢內應選擇 exists 還是 in 的選擇規則相同：此選擇取決於日期與商品條件的有效性。除非過去六個月的生意非常清淡，否則商品名稱應為最有效的過濾條件，因此子查詢中用 in 比 exists 好，這是因為，先找出所有蝙蝠車的訂單、再檢查銷售是否發生在最近六個月，比反過來操作要快。如果表 orderdetail 的 artid 字段有索引，這個方法會更快，否則，這個聰明巧妙的舉措就會黯然失色。
每當對大量記錄做存在性檢查時，選擇 in 還是 exists 須斟酌。
利於多數 SQL 方言，非關聯子查詢可以被改寫成 from 子句中的內嵌視圖。然而，一定要記住的是， in 會隱式地剔除重復項目，當子查詢改寫為 from 子句中的內嵌視圖時，必須要顯式地消除重復項目。例如：

select custname
from customers
where city = 'GOTHAM'
and custid in
(select o.custid
from orders o,
(select distinct od.ordid
from orderdetail od,
articles a
where a.artname = 'BATMOBILE'
and a.artid = od.artid) x
where o.ordered >= somefunc
and x.ordid = o.ordid)

總結：保證 SQL 語句返回正確結果，只是建立最佳 SQL 語句的第一步。