删除大量数据，无论是在哪种数据库中，都是一个普遍性的需求。除了正常的业务需求，我们需要通过这种方式来为数据库“瘦身”。

为什么要“瘦身”呢？

1. 表的数据量到达一定量级后，数据量越大，表的查询性能会越差。

   毕竟数据量越大，B+树的层级会越高，需要的io也会越多。

2. 表的数据有冷热之分，将很多无用或很少用到的数据存储在数据库中会消耗数据库的资源。

   譬如会占用缓存；会增加备份集的大小，进而影响备份的恢复时间等。

所以，对于那些无用的数据，我们会定期删除。

对于那些很少用到的数据，则会定期归档。归档，一般是将数据写入到归档实例或抽取到大数据组件中。归档完毕后，会将对应的数据从原实例中删除。

一般来说，这种删除操作涉及的数据量都比较大。

对于这类删除操作，很多开发童鞋的实现就是一个简单的DELETE操作。看上去，简单明了，干净利落。

但是，这种方式，危害性却极大。

以 Mysql 为例：

• 会造成大事务

  大事务会导致主从延迟，而主从延迟又会影响数据库的高可用切换。

• 回滚表空间会不断膨胀

  在mysql 8.0之前，回滚表空间默认是放到系统表空间中，而系统表空间一旦”膨胀“，就不会收缩。

• 锁定的记录多

  相对而言，更容易导致锁等待。

即使是分布式数据库，如TiDB，如果一次删除了大量数据，这批数据在进行Compaction时有可能会触发流控。

所以，对于线上的大规模删除操作，建议分而治之。具体来说，就是批量删除，每次只删除一部分数据，分多次执行。

就如何删除大量数据，接下来我们看看mongoDB中的落地方案。

本文主要包括以下四部分内容。

1. MonGoDB中删除数据的三种方式。
2. 三种方式的执行效率对比。
3. 通过Write Concern规避主从延迟。
4. 删除过程中碰到的Bug。

MongoDB中删除数据的三种方式

在MongoDB中删除数据，可通过以下三种方式：

• db.collection.remove()

  删除单个文档或满足条件的所有文档。

• db.collection.deleteMany()

  删除满足条件的所有文档。

• db.collection.bulkWrite()

  批量操作接口，可执行批量插入、更新、删除操作。

接下来，对比下这三种方式的执行效率。

三种方式的执行效率对比

环境：MongoDB 3.4.4，副本集。

测试思路：分别使用 remove、deleteMany、bulkWrite 删除 10w 条记录（每批删除 5000 条），交叉执行 5 次。

1. remove

// delete_date是删除条件
var delete_date = new Date("2021-01-01T00:00:00.000Z");
// 获取程序开始时间
var start_time = new Date();
// 获取满足删除条件的记录数
rows = db.test_collection.find({"createtime": {$lt: delete_date}}).count()
print("total rows:", rows);
// 定义每批需要删除的记录数
var batch_num = 5000;
while (rows > 0) {
    // rows也可理解为剩余记录数
    // 如果剩余记录数小于batch_num，则将剩余记录数赋值给batch_num
    // 为什么要怎么做，后面会提到。
    if (rows < batch_num) {
        batch_num = rows;
    }
    // 获取满足删除条件的最小的5000个_id（ObjectID）
    var cursor = db.test_collection.find({"createtime": {$lt: delete_date}}, {"_id": 1}).sort({"_id": 1}).limit(batch_num);
    rows = rows - batch_num;
    cursor.forEach(function (each_row) {
        // 通过remove删除记录，这里指定了"justOne": true，每次只能删除一条记录。
        // 为了避免误删除，这里同时指定了主键和删除条件。
        db.test_collection.remove({"_id": each_row["_id"], "createtime": {"$lt": delete_date}}, {
            "justOne": true,
            w: "majority"
        })
    });
}
// 获取程序结束时间
var end_time = new Date();
// 两者的差值，即为程序执行时长
print((end_time - start_time) / 1000);

2. deleteMany

实例思路同remove类似，只不过会将待删除的_id放到一个数组中，最后再通过deleteMany一次性删除。

具体代码如下：

var delete_date = new Date("2021-01-01T00:00:00.000Z");
var start_time = new Date();
rows = db.test_collection.find({"createtime": {$lt: delete_date}}).count()
print("total rows:", rows);
var batch_num = 5000;
while (rows > 0) {
    if (rows < batch_num) {
        batch_num = rows;
    }
    var cursor = db.test_collection.find({"createtime": {$lt: delete_date}}, {"_id": 1}).sort({"_id": 1}).limit(batch_num);
    rows = rows - batch_num;
    var delete_ids = [];
    // 将满足条件的主键值放入到数组中。
    cursor.forEach(function (each_row) {
        delete_ids.push(each_row["_id"]);
    });
    // 通过deleteMany一次删除5000条记录。
    db.test_collection.deleteMany({
        "_id": {"$in": delete_ids},
        "createTime": {"$lt": delete_date}
    },{w: "majority"})
}
var end_time = new Date();
print((end_time - start_time) / 1000);

3. bulkWrite

实现思路同deleteMany类似，也是将待删除的_id放到一个数组中，最后再调用bulkWrite进行删除。

具体代码如下：

var delete_date = new Date("2021-01-01T00:00:00.000Z");
var start_time = new Date();
rows = db.test_collection.find({"createtime": {$lt: delete_date}}).count()
print("total rows:", rows);
var batch_num = 5000;
while (rows > 0) {
    if (rows < batch_num) {
        batch_num = rows;
    }
    var cursor = db.test_collection.find({"createtime": {$lt: delete_date}}, {"_id": 1}).sort({"_id": 1}).limit(batch_num);
    rows = rows - batch_num;
    var delete_ids = [];
    cursor.forEach(function (each_row) {
        delete_ids.push(each_row["_id"]);
    });
    db.test_collection.bulkWrite(
        [
            {
                deleteMany: {
                    "filter": {
                        "_id": {"$in": delete_ids},
                        "createTime": {"$lt": delete_date}
                    }
                }
            }
        ],
        {ordered: false},
        {writeConcern: {w: "majority", wtimeout: 100}}
    )
}
var end_time = new Date();
print((end_time - start_time) / 1000);

接下来，看看三者的执行效率。

结合表中的数据，可以看出，

1. 执行最慢的是remove，执行最快的是bulkWrite，前者差不多是后者的 2.79 倍。
2. deleteMany 和 bulkWrite 的执行效率差不多，但就语法而言，前者比后者简洁。

所以线上如果要删除大量数据，推荐使用 deleteMany + ObjectID 进行批量删除。

通过 Write Concern 规避主从延迟

虽然是批量删除，但在Mysql中，如果没控制好节奏，还是很容易导致主从延迟。在MongoDB中，其实也有类似的担忧，不过我们可以通过 Write Concern 进行规避。

Write Concern，可理解为写安全策略，简单来说，它定义了一个写操作，需要在几个节点上应用（Apply）完，才会给客户端反馈。

看下面这个原理图。

图中是一个一主两从的副本集，设置了w: "majority"，代表一个写操作，需要等待副本集中绝大多数节点（本例中是两个）应用完，才能给客户端反馈。

在前面的代码中，无论是remove，deleteMany还是bulkWrite方法，都设置了w: "majority"。

之所以这样设置，一方面是为了保证数据的安全性，毕竟删除操作能在多个节点落盘，另一方面，还能有效降低批量操作可能导致的主从延迟风险。

Write Concern的完整语法如下，

{ w: , j: , wtimeout:  }

其中，

w：指定节点数或tags。其有如下取值：

• ：显式指定节点数量。

  设置为0，无需Server端反馈。

  设置为1，只需Primary节点反馈。

  设置为2，在副本集中，需要一个Primary节点（Primary节点必需）和一个Secondary节点反馈。

  需要注意的是，这里的Secondary节点必须是数据节点，可以是隐藏节点、延迟节点或Priority为 0 的节点，但仲裁节点（Arbiter）绝对不行。

  一般来说，设置的节点数越多，数据越安全，写入的效率也会越低。

• majority：副本集大多数节点。

  与上面不一样的是，这里的Secondary节点不仅要求是数据节点，它的votes（members[n].votes）还必须大于0。

• ：指定tags。

  tag，顾名思义，是给节点打标签。常用于多数据中心部署场景。

  如一个集群，有5个节点，跨机房部署。其中3个节点在A机房，另外2个节点在B机房，因为对数据的安全性、一致性要求很高，我们希望写操作至少能在A机房的2个节点落盘，B机房的1个节点落盘。

  对于这种个性化的需求，只有通过tags才能实现。

  具体使用，可参考：https://docs.mongodb.com/manual/tutorial/configure-replica-set-tag-sets/#configure-custom-write-concern。

j：是否需要等待对应操作的日志持久化到磁盘中。

在MongoDB中，一个写操作会涉及到三个动作：更新数据，更新索引，写入oplog，这三个动作要么全部成功，要么全部失败，这也是MongoDB单行事务的由来。

对于每个写操作，WiredTiger都会记录一条日志到 journal 中。

日志在写入journal之前，会首先写入到 journal buffer（最大128KB）中。

Journal buffer会在以下场景持久化到 journal 文件中：

• 副本集中，当有操作等待oplog时。

  这类操作包括：针对oplog最新位置点的扫描查询；Causally consistent session中的读操作；对于Secondary节点，每次批量应用oplog后。

• Write Concern 设置了 j: true。

• 每100ms。

  由 storage.journal.commitIntervalMs 参数指定。

• 创建新的 journal 文件时。

  当 journal 文件的大小达到100MB时会自动创建一个新的journal 文件。

wtimeout：超时时长，单位ms。

不设置或设置为0，命令在执行的过程中，如果遇到了锁等待或节点数不满足要求，会一直阻塞。

如果设置了时间，命令在这个时间内没有执行成功，则会超时报错，具体报错信息如下：

rs:PRIMARY> db.test.insert({"a": 1}, {writeConcern: {w: "majority", wtimeout: 100}})
WriteResult({
    "nInserted": 1,
    "writeConcernError": {
        "code": 64,
        "codeName": "WriteConcernFailed",
        "errInfo": {
            "wtimeout": true
        },
        "errmsg": "waiting for replication timed out"
    }
})

删除过程中遇到的Bug

其实，最开始的删除程序是下面这个版本。

var delete_date = new Date("2021-01-01T00:00:00.000Z");
var start_time = new Date();
var batch_num = 5000;
while (1 == 1) {
    var cursor = db.test_collection.find({"createtime": {$lt: delete_date}}, {"_id": 1}).sort({"_id": 1}).limit(batch_num);
    delete_ids = []
    cursor.forEach(function (each_row) {
        delete_ids.push(each_row["_id"])
    });

    if (delete_ids.length == 0) {
        break;
    }
    db.test_collection.deleteMany({
        "_id": {"$in": delete_ids},
        "createtime": {"$lt": delete_date}
    }, {w: "majority"})
}
var end_time = new Date();
print((end_time - start_time) / 1000);

相对于效率对比章节的版本，这个版本的代码简洁不少。

1. 不用额外获取需要删除的记录数。
2. batch_num在整个执行过程中也是不变的。

但用这个版本在线上删除数据时，发现了一个问题。

在删除到最后一批时，程序会hang在那里。重试了多次依然如此。分析如下：

• 最后一批的文档数小于batch_num时，会出现这个问题。

  删除同实例下另外一个集合，也出现了类似的问题。

  但在测试环境，删除一个简单的集合却没有复现出来，怀疑这个Bug与线上集合的记录过长有关。

• cursor只是一个迭代对象，并不是查询结果。基于cursor可以分批返回记录，类似于python中的迭代器。

  最后一批也不是完全没有返回，而是在返回100条之后才hang在那里。

• 不使用sort没有这个问题。

  为什么要使用sort呢？这样可保证得到的id是有序且在物理上的存储是相邻的。这样，在执行批量删除操作时，效率也会相对较高。

  经过实际测试，当要删除的数据量较大时，使用sort的效率确实比不使用的要高。

  如果删除的数据量较小，使不使用sort则没多大区别。

总结

从最佳实践的角度出发，无论是在哪种数据库中，如果都删除（更新）大量数据，都建议分而治之，分批执行。

在MongoDB中，如果要删除大量数据，推荐使用deleteMany + ObjectID进行批量删除。

为了保证操作的安全性及规避批量操作带来的主从延迟风险，建议在执行删除操作时，将Write Concern设置为w: "majority"。

参考

[1] Journaling 

[2] Write Concern