两列上的 BigQuery 重复数据删除作为唯一键

Question

我们虔诚地使用 BigQuery 并且有两个 tables，它们基本上是由不同进程并行更新的。我遇到的问题是 tables 没有唯一标识符，目标是尽可能将两个 tables 合并为零重复。唯一标识符是两列的组合。

我尝试了各种基于 MySQL 的查询，但 none 似乎在 BigQuery 中有效。所以我在这里发帖寻求帮助。 :)

第 1 步。将 "clean" table 复制到新合并的 table。

第 2 步。查询 "dirty"（旧）table 并插入任何缺失的条目。

查询尝试 1：

SELECT
  COUNT(c.*)
FROM
  [flash-student-96619:device_data.device_datav3_20160530] AS old
WHERE NOT EXISTS (
  SELECT
    1
  FROM
    [flash-student-96619:device_data_v7_merged.20160530] AS new
  WHERE
    new.dsn = old.dsn
    AND new.timestamp = old.timestamp 
)

错误：错误发生在：6.1 - 10.65。一次只能执行一个查询。

查询尝试 2：

SELECT
  *
FROM
  [flash-student-96619:device_data.device_datav3_20160530]
WHERE
  (dsn, timestamp) NOT IN (
  SELECT
    dsn,
    timestamp
  FROM
    [flash-student-96619:device_data_v7_merged.20160530] 
  )

错误：在第 6 行第 7 列遇到“”、“”、“”。预期为：“)”...

老实说，如果我能在一个查询中做到这一点，我会很高兴。我需要从两个 table 中获取数据，并制作一个具有唯一数据的新数据。

有什么帮助吗？

Answer 1

像下面这样的东西应该可以工作

SELECT * 
FROM (
  SELECT *,
    ROW_NUMBER() OVER(PARTITION BY dsn, timestamp) AS dup
  FROM
    [flash-student-96619:device_data.device_datav3_20160530],
    [flash-student-96619:device_data_v7_merged.20160530] 
) 
WHERE dup = 1

我建议在外部 SELECT 中使用明确的字段列表而不是 *，这样您就可以从实际输出中省略 dup

Answer 2

有点晚了，但我想指出，您的原始查询使用 standard SQL 进行了微小的修改（取消选中 "Show Options" 下的 "Use Legacy SQL" 框）。我只需要将 new 更改为其他内容，因为这是一个保留关键字。例如，此查询有效：

WITH OldData AS (
  SELECT
    x AS dsn,
    TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
  FROM UNNEST([1, 2, 3, 4]) AS x),
NewData AS (
  SELECT
    x AS dsn,
    TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
  FROM UNNEST([5, 2, 1, 6]) AS x)
SELECT
  COUNT(*)
FROM OldData oldData
WHERE NOT EXISTS (
  SELECT 1
  FROM NewData newData
  WHERE
    newData.dsn = oldData.dsn
    AND newData.timestamp = oldData.timestamp
);
+-----+
| f0_ |
+-----+
|   2 |
+-----+

关于你的第二次尝试，你可以这样做：

WITH OldData AS (
  SELECT
    x AS dsn,
    TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
  FROM UNNEST([1, 2, 3, 4]) AS x),
NewData AS (
  SELECT
    x AS dsn,
    TIMESTAMP_SUB(CURRENT_TIMESTAMP(), INTERVAL x HOUR) AS timestamp
  FROM UNNEST([5, 2, 1, 6]) AS x)
SELECT
  *
FROM OldData
WHERE
  STRUCT(dsn, timestamp) NOT IN (
  SELECT AS STRUCT
    dsn,
    timestamp
  FROM NewData);
+-----+---------------------+
| dsn |      timestamp      |
+-----+---------------------+
|   3 | 2016-07-21 11:54:08 |
|   4 | 2016-07-21 10:54:08 |
+-----+---------------------+

两列上的 BigQuery 重复数据删除作为唯一键

BigQuery DeDuplication on two columns as unique key

sql

google-bigquery

gcp