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"。

与50位技术专家面对面 20年技术见证，附赠技术全景图