面试时被问到的一个问题

[nnnneymarjr]

有两张比较大的表，如何判断两张表中是否有相同的数据，以及如何将他们找出来？
请问大家有什么思路吗？

[infun]

如果只是 SQL 的话，这样？
select a. * from a join b on al=b1 and a2=b2 and a3=b3 ...;

[Jooooooooo]

如果只需要看有没有的话

考虑下布隆过滤器

[liprais]

union all 之后 group by 全字段 having count > 1

[nnnneymarjr]

@infun 我当时就是这么说的，面试官也没给反馈，感觉跟他心中的答案差的挺远的😥

[mazhan465]

每条字段计算一遍 MD5 摘要保存到文件，然后排序，双指针比较，MD5 相同的加载对应行的数据进行验证比较

[allforone]

可能问的是 inner join 的具体实现？先确认一下是算法题还是 sql 题。算法题的话可能想考 sort merge join 或者 hash join 一些优化实现。

[dog82]

5 楼的思路很不错

[lookStupiToForce]

以 pgsql 为例，每行数据 hash 一下加上主键（单一主键或者联合主键都行）后再比较最好
如果下面的 sql 一次跑不出来，先分别生成两张表然后用那两张新表去做最后的 join 比对

with t1 as(
select f.primary_key,
md5(CAST((f.*) AS text)) as hash
from foo1 f
)
, t2 as(
select f.primary_key,
md5(CAST((f.*) AS text)) as hash
from foo2 f
)
select t1.primary_key
from t1 join t2 using (primary_key)
where t1.hash = t2.hash

[agmtopy]

猜?先比较索引字段,在比较其他?

[nnnneymarjr]

@mazhan465 是一个不错的思路

[nnnneymarjr]

@allforone 应该像是场景题

[tobias7]

@mazhan465 能否细说说

[copper20]

允许假阳性存在的话可以考虑布隆过滤器，线性时间能应该就能搞定了

*如果不是一道 SQL 题的话

[zovencraig]

首先是“比较大的表”，这个是坑，你要先反问并确认多少数据量以及使用的数据库，才能决定采用的方法；其次，就是看你面试的职位，是偏技术开发还是数据方面，再挑适合的实现方法。当然不排除面试官问的很随意……