MySQL：按名称与艺人分组合并Spotify重复曲目

嘿，刚帮几个做音乐数据清洗的朋友解决过几乎一模一样的Spotify多版本曲目合并问题，咱们从核心逻辑到具体SQL一步步来拆解：

核心判定逻辑梳理 #

首先得明确哪些情况属于“同一首歌的不同版本”：

• 单艺人场景：就像你提到的蕾哈娜《Love On The Brain》的6条记录，核心判定依据是标准化后的曲目名称 + 主艺人ID——同一首歌的不同发行版本，主艺人ID固定，曲目名可能带版本后缀（比如(US Version)、(Explicit)），去掉后缀后就能精准匹配。
• 多合作艺人场景：难度确实会上升，这时候要抓核心艺人组——把所有主艺人的ID排序后拼接成固定字符串，再加上标准化曲目名。毕竟合作歌曲的艺人顺序可能在不同版本里调换（比如Artist A & Artist B和Artist B & Artist A），排序后就能统一判定标准。
• 终极权威依据：Spotify曲目的isrc字段（国际标准录音代码）是同一录音的唯一标识，只要ISRC相同，百分百是同一首歌的不同发行版本，优先级高于名称+艺人ID。

1. 单艺人曲目合并实操（SQL示例） #

假设你的三张关联表结构如下（结合Spotify常见字段补充）：

• Tracks: track_id, track_name, duration_ms, release_date, isrc
• Artists: artist_id, artist_name
• Track_Artists: track_id, artist_id, role（区分主艺人main、客串featured等）

先标准化曲目名，再分组找出重复项，最后生成合并建议：

-- 第一步：标准化曲目名称，移除末尾的版本后缀（比如(US Version)、(Explicit)）
WITH standardized_tracks AS (
    SELECT 
        track_id,
        REGEXP_REPLACE(track_name, '\s*\(.*?\)$', '') AS standardized_name,
        duration_ms,
        isrc,
        release_date
    FROM Tracks
),
-- 第二步：通过「主艺人ID + 标准化曲目名」分组，筛选出重复记录
track_duplicates AS (
    SELECT 
        st.standardized_name,
        ta.artist_id AS main_artist_id,
        ARRAY_AGG(st.track_id) AS duplicate_track_ids,
        MIN(st.release_date) AS earliest_release,
        MAX(st.release_date) AS latest_release
    FROM standardized_tracks st
    JOIN Track_Artists ta ON st.track_id = ta.track_id
    WHERE ta.role = 'main' -- 只取主艺人，排除客串、制作人等
    GROUP BY st.standardized_name, ta.artist_id
    HAVING COUNT(st.track_id) > 1
)
-- 第三步：生成合并建议，可选择保留最早/最新发行版本
SELECT 
    standardized_name AS track_name,
    a.artist_name AS main_artist,
    duplicate_track_ids,
    earliest_release,
    latest_release,
    -- 这里选择保留最早发行的版本，可按需修改
    (SELECT track_id FROM standardized_tracks st WHERE st.standardized_name = td.standardized_name AND st.release_date = td.earliest_release LIMIT 1) AS keep_track_id
FROM track_duplicates td
JOIN Artists a ON td.main_artist_id = a.artist_id;

2. 多合作艺人的合并难点破解 #

针对多主艺人的歌曲，关键是统一艺人顺序的判定标准，再结合ISRC做权威验证：

WITH standardized_tracks AS (
    SELECT 
        track_id,
        REGEXP_REPLACE(track_name, '\s*\(.*?\)$', '') AS standardized_name,
        isrc
    FROM Tracks
),
-- 获取每个曲目的主艺人ID，排序后拼接成固定字符串（避免艺人顺序干扰）
track_main_artists AS (
    SELECT 
        track_id,
        STRING_AGG(artist_id ORDER BY artist_id) AS main_artist_ids_sorted
    FROM Track_Artists
    WHERE role = 'main'
    GROUP BY track_id
),
-- 按「标准化曲目名 + 排序后主艺人ID」分组，筛选重复项
multi_artist_duplicates AS (
    SELECT 
        st.standardized_name,
        tma.main_artist_ids_sorted,
        ARRAY_AGG(st.track_id) AS duplicate_track_ids,
        ARRAY_AGG(DISTINCT st.isrc) AS isrc_list
    FROM standardized_tracks st
    JOIN track_main_artists tma ON st.track_id = tma.track_id
    GROUP BY st.standardized_name, tma.main_artist_ids_sorted
    HAVING COUNT(st.track_id) > 1
)
-- 生成合并建议，优先用ISRC判定
SELECT 
    standardized_name AS track_name,
    -- 把排序后的艺人ID转换为艺人名称
    (SELECT STRING_AGG(artist_name ORDER BY artist_id) FROM Artists WHERE artist_id IN (STRING_TO_ARRAY(tma.main_artist_ids_sorted, ','))) AS main_artists,
    duplicate_track_ids,
    isrc_list,
    -- 若ISRC统一，保留对应版本；否则保留第一个出现的版本
    CASE WHEN array_length(isrc_list, 1) = 1 THEN (SELECT track_id FROM standardized_tracks st WHERE st.isrc = (SELECT unnest(isrc_list) LIMIT 1) LIMIT 1)
         ELSE (SELECT track_id FROM standardized_tracks st WHERE st.track_id = (SELECT unnest(duplicate_track_ids) LIMIT 1)) END AS keep_track_id
FROM multi_artist_duplicates tma;

3. 关联表的同步更新 #

合并Tracks表后，别忘了同步更新Track_Artists等关联表，把重复记录的关联指向保留的track_id：

-- 先创建合并映射表（从前面的查询结果导出）
WITH merge_map AS (
    SELECT unnest(duplicate_track_ids) AS old_track_id, keep_track_id AS new_track_id
    FROM track_duplicates -- 可同时包含multi_artist_duplicates的结果
)
-- 更新Track_Artists表，替换旧track_id为新的
UPDATE Track_Artists ta
SET track_id = mm.new_track_id
FROM merge_map mm
WHERE ta.track_id = mm.old_track_id;

-- 最后删除重复的Tracks记录（⚠️执行前务必备份数据！）
DELETE FROM Tracks
WHERE track_id IN (SELECT old_track_id FROM merge_map);

内容的提问来源于stack exchange，提问作者Ealau