50 万笔新数据插入到数据库，如何避免重复？

加约束
进临时表
insert on conflict

先全部导入到临时表，然后 merge 的时候去掉重复的，我是 Vertica 。

加 unique 索引，insert ignore ,性能就不知道了

insert ignore，开启事务，每次 5000 笔提交，几分钟就跑完了

随便 搞下就行了。500W 都不是问题

1 ）使用 sqlyog，navcat 很 easy 的
2 ）或者在数据表结构增加 unique 索引
3 ）。。。

replace into

oracle 的话目标表加个唯一索引，sqlldr 后，重复数据会进入到 bad 文件，也可以用无唯一性中间表导入后去重加载到结果表，MySQL 是 insert 后加个 ignore，就可以了

先进 Redis

总共只有 50 万笔需要插入，还是每隔一段时间都会产生 50 万笔？
两种情况有两种完全不同的处理方式。
如果是后者，间隔时间是多久？每秒还是每分钟还是每小时？
场景不介绍清楚，没办法给出最合适的解决方案。

@qiayue 每天产生，表格有接近 50 个字段，只能根据 10 个字段判断出记录的唯一性

@Devin 将这十个字段生成一个 SHA256 的 hash，作为索引，很容易判断的啊

是的，按顺序拼接十个字段，记住中间要加入分隔符，然后算下 md5 值当做唯一键

加个索引呗

先分类 、多加个字段 。 归并排序的思想

replaceinto

拼接哈希在内存里操作就得了，1000 万也没多少的，处理完数据再用唯一索引结构

布隆过滤器

@xcstream 五十万就上布隆了，是不是八股文看多了

加 union index，直接 insert 就会跳过重复的数据

50 万不多不少，1 分钟应该能导完

50 万本身先去个重。我个人的话，先取 10 个字段里的第一个过滤遍，第二个再过滤一遍，然后剩下的 8 个字段做 hash 过滤一遍。这样做的原因是前两遍可以以最小的成本达到最大比例的过滤效果。当然这个前 n 遍可以根据你们字段复杂度来定。这整个步骤在临时表做
然后就是 50 万里面剩下的数据，再用 10 个字段做 hash，和主表过滤。完毕

这数据不多，加个约束很简单，就像楼上说的，不过可能会花点时间。我之前整类似的上亿条的才叫慢...

建个索引就能解决的问题，如果追求性能，那就加个布隆过滤器呗

十个字段拼接算出 md5 , 然后 md5 也存进去,md5 字段加唯一索引.

@zjttfs 这是啥操作老哥 求解释

@zjttfs 50w 冲突概率挺大的