爬虫， mysql 唯一索引 重复数据 ID 会自增。请问怎么解决？

虽然我不懂你说了什么，但是 INSERT 数据难道 ID 不应该自增？

不懂你说了什么，插了数据当然会自增，不知道你是怎么判断重复的，重复的跳过就是了

我猜是说,判断重复的数据后并灭有插入,但是 ID 却消耗掉了.可能和 on duplicate key update 的问题类似吧.

难道爬虫都不过滤重复数据了么，布隆过滤器了解一下

@xkeyideal 过滤不了，也没用。只能在数据库上设置唯一索引。

用框架就意味着你失去灵活性，就这么简单的任务都无法搞定，所以少用框架

@mon3 你数据能设置唯一索引, 你代码过滤不了? 数据库不是代码??

这是业务问题,跟框架没什么关系

你该去好好看看 INSERT 语句 ON DUPLICATE 时的用法了。

同意 3 楼....
是不是写入的时候用的是“ replace into ”
而不是 “ on duplicate key update ”

以前用过 scrapy+django+djangoitem 爬到内容直接用 django ORM 入库，每条信息都会有一个唯一索引用识别，
再爬的时候 Foo.objects.get_or_create(defaults__exact='bar', defaults={'defaults': 'baz'})

@EvilCult on duplicate key update 也会导致原 id 变化的

@EvilCult #10 无论 replace into 还是 on duplicate key 都会导致 id+1

@xpresslink #11，写错了应该是用 .objects.update_or_create，没有就新建，有就更新。

@Mac ON DUPLICATE ID 一样会自增。

@xpresslink 表的数据有的不能更新的，所以这个办法不太适合我。。

@mon3
字段唯一索引，新增数据重复了，然后 你的处理逻辑是什么？直接丢弃 /新建一个 /更新？
请说出你的故事。

@xpresslink 有重复数据的话直接丢弃，这步 mysql 自动执行了，但是 ID 也会增长，我需要的是 ID 不增长，数据直接丢。

@mon3 既然这样的需求，为什么不考虑用布隆过滤器进行过滤呢…

@holajamc 主要数据太多上亿，采集无法 24 小时开。

innodb 不重复都会出现跳 ID 事务机制导致的

@mon3

alter table tablename drop column id;
alter table tablename add id mediumint(8) not null primary key auto_increment first;

我觉得没有必要执念于此。

@mon3 采集完全没有必要 24 小时工作呀，而且上亿的数据布隆过滤器足够应付…

是自增主键跳了吗，正常，多线程插入就会跳。

@gouchaoer2 ???

@fyxtc ???!!!

on duplicate key update 重复是会跳号的。

@glacer
@aborigine
我读书少你们两个不要骗我, 我要是没记错的话:
设置 UNIQUE 索引后(比如 A)
执行 INSERT INTO `TABLE` (A,B) VALUES (123,456) ON DUPLICATE KEY UPDATE B = 456;
这是更新旧有行的吧~~

看 mysql 日志就可以了，应该是先写入，再删除

自己实现 UPDATE OR INSERT 啦

如果你用 orm，一般 orm 会提供的

没提供的话也就是查询两次的事，一次查 ID 是否存在，一次插入 /更新数据

@chinvo 哪个 ORM 可以实现？

@mon3 我用 sqlalchemy，没仔细研究，应该是没有的，所以我查两次

lz 是发现主键 ID 不连续吧，MySQL InnoDB 插入数据是先自增主键 ID，然后再写入数据，因为你有唯一键，所以重复的时候插入失败，但是主键 ID 已经自增了,如果你没办法保证插入不重复的数据，那么把 InnoDB 换成 MyISAM 即可

@EvilCult 你去试试就知道了

@mon3 哦，我理解题目错了，我以为是出现重复记录。原来是自增跳号。innodb 就是这样的，myisam 没有这个问题。

@aborigine 等下，看了 34 楼，我发现我好像看错题了……………………
你们说的是 on duplicate update 后再查数据自增 ID 不连续吧…………[手动捂脸]

加一层 redis set 去重啊 入库前先判断 set 里有没有 有了 pass 没有了 set+1 入库
另外你不要爬一条插一条啊 肯定是到最后一起提交的

很早遇到这个问题，不过我觉得这不算问题，id 只是一个唯一标识而已，跳号其实没有影响；
如果可以的话，在数据爬完之后另外找一个库重新写入一遍也是可以的。

去重啊，偷懒的话 url 设为主键不久 ok 了