无唯一键情况下的增量数据插入问题

[classyk]

请教各位一个问题，现在数据源在一天以内存在完全一样的数据，也无法根据有限信息生成唯一的键值，但是每次 client 端传上来的都是当日的全量数据。
例如当前某时刻有 ABCDE 三条记录，接下来 client 又传上来了 AABCD 五条数据。因此实际新增的是 AD 两条数据需要插入到数据库，并移除 E 记录. 移除记录的情况非常少，但是无法杜绝。

这种有什么好的处理方式么？当前做的是服务端做的逐一对比去重处理，但是非常耗时，client 本身也无法去重，因为可能存在多个 client 传同一份数据的情况。

[yidinghe]

分两方面，一是入口把关，而是存量记录清除。入口把关就是找个 Redis 缓存唯一键，存在重复则不插入数据库。这部分先做。然后对存量记录进行清理，清理完将唯一索引建起来。

[wangyzj]

哈希排重？

[classyk]

@yidinghe 存在完全一样的数据，所以没法得到唯一键

[tabris17]

先写入再去重

[shengchen11]

直接 truncate 在 insert 不可以吗

[lazyfighter]

我都没看懂这句话。。。例如当前某时刻有 ABCDE 三条记录，接下来 client 又传上来了 AABCD 五条数据。因此实际新增的是 AD 两条数据需要插入到数据库

[reus]

不问业务方，问 V2EX ？
明显是业务问题，你自己都说了 ABCD，这不就是唯一键？你又说无法生成，自相矛盾。

[reus]

你怎么判断出 ABCDE，你就怎么生成唯一键，就这么简单。

[ily433664]

你这需求就有问题，既然存在完全一样的数据，你没有标识怎么可能区分出来，就算是你一个人来也区分不出来，更别说程序了

[dallaslu]

例如当前某时刻有 ABCDE 三条记录，接下来 client 又传上来了 AABCD 五条数据。因此实际新增的是 AD 两条数据需要插入到数据库，并移除 E 记录.

你是想这么说吗：

例如当前某时刻有 BCE 三条记录，接下来 client 又传上来了 AABCD 五条数据。因此实际新增的是 AD 两条数据需要插入到数据库，并移除 E 记录.

[sun1991]

限制数据时间范围, 比如 5 年. 全盘接受所有的上传数据, 然后等到每天凌晨跑一遍耗时的去重. 第二天再开放前一天上传的数据给用户.

[classyk]

ABCDE 自然是可以判断是不同的
但是 AAAA 呢？？我的意思是 AAAA 要插入 4 条数据，而不是一条 A

[classyk]

@dallaslu 也不是。应当是

例如当前某时刻有 ABCE 四条记录，接下来 client 又传上来了 AABCD 五条数据。因此实际新增的是 AD 两条数据需要插入到数据库，并移除 E 记录.

[classyk]

@sun1991 还涉及到另外一个系统要用数据，数据也需要及时性处理。所以目前才很麻烦。

[index90]

#12 为什么只有 AD 两条数据要插入数据库，而 BC 不用？
哦？貌似是有序的？我只能想到能够转化为这样的问题，两条字符串（ ABCE 与 AABCD ），求最长子串匹配，最后再求差异？

或者 LZ 先组织好语言再上来问？

[classyk]

@index90 因为 BC 数据库中已经存在了

[oubenruing]

例如当前某时刻有 ABCE 四条记录，接下来 client 又传上来了 AABCD 五条数据。因此实际新增的是 AD 两条数据需要插入到数据库，并移除 E 记录.
先清空然 ABCE，再 AABCD 全部插入的意思？

[matepi]

1 楼 2 楼不是说的挺好的么？
就是在一段时间内对记录全字段做 hash，然后放内存 redis 之类 hash 命中后去重呗

楼主第 12 楼没看懂，是完全重复的 4 条 AAAA，还是必须都留在数据库里面的？
那去重的原则是什么？
是一次性上来的 AAAA，要入库；但之前数据库如果已经有了 A，那么这次上来的 AAAA 不入库？还是少入一个，只入 3 个 AAA ？

需求再组织下。很多疑问。

[coconut5200]

1. 根据有明显特征的几个字段，哈希一下作为你的唯一键
2. 每天定时跑脚本驱虫

[index90]

@classyk 所以 A 不在数据库中？所以 A 就要插入？
那说有 ABCE 四条记录又是什么意思？ ABCE 不在数据库里面？
不对啊，你刚刚才说 BC 在数据库里面的。所以 ABCE 四条数据，只有 BC 在数据库里面？