一些看似簡單的資料操作，當作用於海量資料集時，就會出現“意料之外，卻在情理之中”的問題，海量資料操作，需要採用特殊方法，才能“曲徑通幽”。在刪除海量資料時，需要注意日誌的增長，索引碎片的增加和資料庫的恢復模式，特別是利用大容量日誌操作，來減少日誌的增長和提高資料插入的速度。對於大資料去重，通過一些小小的改進，比如建立索引，設定忽略重複值選項等，能夠提高去重的效率。

一，從海量資料中刪除資料

從海量資料表中刪除一半資料，看似簡單，使用delete命令，如果真這麼幹，SQL Server產生的事務日誌暴增，估計會把伺服器硬碟爆掉。

1.  資料庫的恢復模式會影響日誌檔案的增長，在刪除海量資料時，根據採用的方法，相應地把恢復模式設定為simple，或bulk_logged 模式，能夠在很大程度上減少刪除操作產生的事務日誌，從而避免日誌暴增。

2.  在刪除資料時，把表上的多餘索引刪除（注意，是刪除多餘的索引），只保留一個必需的索引；在資料刪除完成之後，再重建索引，能夠提高資料刪除操作的效能。有人做過實驗，從儲存1.6億條記錄的大表中刪除資料，每刪除400萬條要消耗1.5 - 3小時，越到後面速度越慢，為什麼？這是因為，每次刪除資料時，資料庫都要相應地更新索引，這是很慢的硬碟 IO操作，並且，越到後面，索引碎片越多，更新索引就越慢，這就是在刪除400萬條記錄時，一開始只消耗1.5小時，後面要消耗3小時原因。

3.  根據保留資料佔總資料量的比例，選擇不同的方法刪除資料。如果大表中保留的資料較少，可以先把保留的資料儲存到臨時表中，然後，把原始表刪除，這樣能夠利用大容量日誌操作，來減少日誌的增長和提高資料插入的速度。

1，迴圈刪除，避免日誌檔案暴增

在從海量資料表中刪除大量資料時，為了避免日誌檔案暴增，通常採用迴圈刪除方法：首先設定恢復模式為simple，然後每次刪除操作都只刪除部分資料，這樣，當單個刪除操作執行完成時，事務日誌會被及時清理，事務日誌一般保持單個刪除操作的事務日誌量。

迴圈刪除的虛擬碼如下，該方法仍有一些侷限性，耗時過長，並且會長期使資料庫處於簡單恢復模式下：

--ALTER DATABASE database_name SET RECOVERY SIMPLE ;  

while @index<@EndIndex
begin
    delete table_name 
    where index<
 
[email protected];

    set @[email protected]
end

2，將資料插入到臨時表中，把原表truncate

如果原始表有一半以上的資料要被刪除，從原始表中執行delete命令刪除資料，效率十分低下，可以考慮，把原始表中的資料通過select語句篩選出來，然後批量插入導新表中，這種方式利用了大容量日誌（Bulk Logged）操作的優勢。由於 SELECT INTO，INSERT SELECT 是大容量日誌操作，select命令不會產生大量日誌檔案，因此，執行插入比執行刪除的效率更高。最後，執行drop命令，刪除整個原始表，幾乎不消耗任何時間。

--ALTER DATABASE database_name SET RECOVERY BULK_LOGGED ;  

insert into new_tableselect column_list from original_table where filter_retain

drop table original_table

3，對分割槽表執行分割槽轉移操作

SQL Server的分割槽表實際上是一系列物理上獨立儲存的“表”（也叫做分割槽）構成的，如果要刪除的資料位於同一個分割槽，或者，一個分割槽中的資料都需要被刪除，那麼可以把該分割槽轉移（switch）到一個臨時表中，由於分割槽的轉移僅僅是元資料庫的變更，因此，不會產生任何的資料IO，分割槽轉移瞬間完成。被剝離的分割槽，通過drop命令刪除，整個過程僅僅會產生少量的IO操作，用於元資料變更；而不會產生用於資料刪除的IO操作，這種方法，耗時最短，資源消耗最小，效率最高。

alter table original_table SWITCH  PARTITION source_partition_number TO temporary_table

drop table temporary_table

二，從海量資料中去重

資料去重，分為部分列去重和全部列去重，全部列去重，使用distinct子句來實現，由於distinct操作符會建立在tempdb中臨時表，因此，distinct操作是IO密集型的操作。而部分列去重，一般採用row_number排名函式來實現，也可以考慮使用忽略重複值的唯一索引來實現。在實際的專案開發中，部分列去重更為常見。

1，使用row_number函式來實現

選擇排名函式，是因為排名函式有部分列分割槽排序的功能：首先在部分列上建立索引，這樣資料庫引擎能夠根據索引列快速排序，然後通過row_number函式和cte來實現重複資料的刪除。在資料去重時，需要注意，如果刪除的資料量太大，資料庫引擎會產生大量的事務日誌，導致日誌檔案暴增，在選擇該方法時，需要慎重。

create index index_name
on table_name
(
index_columns
)
with(data_compression=page);

with cte as 
(
    select index_columns,
        row_number over(partition by index_columns order by ...) as rn
    from table_name
)
delete 
from cte
where rn>1

2，使用忽略重複值的唯一索引來實現

通過插入和忽略重複值實現部分列的去重，相對來說，更容易控制，使用者可以通過迴圈插入方式來執行，這樣，在單獨的一個事務中，控制插入資料的數量，能夠控制產生的事務日誌不至於太大，對於海量資料的去重，建議採用該方法。

建立一個臨時表，在部分列上建立忽略重複值的唯一索引：

create unique index index_name
on new_table
(
index_columns
)
with(ignore_dup_key=on)

由於SQL Server不允許在包含重複值的資料表上建立唯一索引，因此，必須建立一個新的空表，新表時原始表的結構的複製，在部分列上建立忽略重複值的唯一索引。在執行插入操作時， IGNORE_DUP_KEY 選項會忽略重複的索引鍵值，並丟擲警告（Warning）。