刪除大量資料，無論是在哪種資料庫中，都是一個普遍性的需求。除了正常的業務需求，我們需要通過這種方式來為資料庫“瘦身”。

為什麼要“瘦身”呢？

1. 表的資料量到達一定量級後，資料量越大，表的查詢效能會越差。

   畢竟資料量越大，B+樹的層級會越高，需要的IO也會越多。

2. 表的資料有冷熱之分，將很多無用或很少用到的資料儲存在資料庫中會消耗資料庫的資源。

   譬如會佔用快取；會增加備份集的大小，進而影響備份的恢復時間等。

所以，對於那些無用的資料，我們會定期刪除。

對於那些很少用到的資料，則會定期歸檔。歸檔，一般是將資料寫入到歸檔例項或抽取到大資料元件中。歸檔完畢後，會將對應的資料從原例項中刪除。

一般來說，這種刪除操作涉及的資料量都比較大。

對於這類刪除操作，很多開發童鞋的實現就是一個簡單的DELETE操作。看上去，簡單明瞭，乾淨利落。

但是，這種方式，危害性卻極大。

以 MySQL 為例：

• 會造成大事務

  大事務會導致主從延遲，而主從延遲又會影響資料庫的高可用切換。

• 回滾表空間會不斷膨脹

  在MySQL 8.0之前，回滾表空間預設是放到系統表空間中，而系統表空間一旦”膨脹“，就不會收縮。

• 鎖定的記錄多

  相對而言，更容易導致鎖等待。

即使是分散式資料庫，如TiDB，如果一次刪除了大量資料，這批資料在進行Compaction時有可能會觸發流控。

所以，對於線上的大規模刪除操作，建議分而治之。具體來說，就是批量刪除，每次只刪除一部分資料，分多次執行。

就如何刪除大量資料，接下來我們看看MongoDB中的落地方案。

本文主要包括以下四部分內容。

1. MongoDB中刪除資料的三種方式。
2. 三種方式的執行效率對比。
3. 通過Write Concern規避主從延遲。
4. 刪除過程中碰到的Bug。

MongoDB中刪除資料的三種方式

在MongoDB中刪除資料，可通過以下三種方式：

• db.collection.remove()

  刪除單個文件或滿足條件的所有文件。

• db.collection.deleteMany()

  刪除滿足條件的所有文件。

• db.collection.bulkWrite()

  批量操作介面，可執行批量插入、更新、刪除操作。

接下來，對比下這三種方式的執行效率。

三種方式的執行效率對比

環境：MongoDB 3.4.4，副本集。

測試思路：分別使用 remove、deleteMany、bulkWrite 刪除 10w 條記錄（每批刪除 5000 條），交叉執行 5 次。

1. remove

//delete_date是刪除條件
vardelete_date=newDate("2021-01-01T00:00:00.000Z");
//獲取程式開始時間
varstart_time=newDate();
//獲取滿足刪除條件的記錄數
rows=db.test_collection.find({"createtime":{$lt:delete_date}}).count()
print("totalrows:",rows);
//定義每批需要刪除的記錄數
varbatch_num=5000;
while(rows>0){
//rows也可理解為剩餘記錄數
//如果剩餘記錄數小於batch_num，則將剩餘記錄數賦值給batch_num
//為什麼要怎麼做，後面會提到。
if(rows<batch_num){
batch_num=rows;
}
//獲取滿足刪除條件的最小的5000個_id（ObjectID）
varcursor=db.test_collection.find({"createtime":{$lt:delete_date}},{"_id":1}).sort({"_id":1}).limit(batch_num);
rows=rows-batch_num;
cursor.forEach(function(each_row){
//通過remove刪除記錄，這裡指定了"justOne":true，每次只能刪除一條記錄。
//為了避免誤刪除，這裡同時指定了主鍵和刪除條件。
db.test_collection.remove({'_id':each_row["_id"],"createtime":{'$lt':delete_date}},{
"justOne":true,
w:"majority"
})
});
}
//獲取程式結束時間
varend_time=newDate();
//兩者的差值，即為程式執行時長
print((end_time-start_time)/1000);

2. deleteMany

例項思路同remove類似，只不過會將待刪除的_id放到一個數組中，最後再通過deleteMany一次性刪除。

具體程式碼如下：

vardelete_date=newDate("2021-01-01T00:00:00.000Z");
varstart_time=newDate();
rows=db.test_collection.find({"createtime":{$lt:delete_date}}).count()
print("totalrows:",rows);
varbatch_num=5000;
while(rows>0){
if(rows<batch_num){
batch_num=rows;
}
varcursor=db.test_collection.find({"createtime":{$lt:delete_date}},{"_id":1}).sort({"_id":1}).limit(batch_num);
rows=rows-batch_num;
vardelete_ids=[];
//將滿足條件的主鍵值放入到陣列中。
cursor.forEach(function(each_row){
delete_ids.push(each_row["_id"]);
});
//通過deleteMany一次刪除5000條記錄。
db.test_collection.deleteMany({
'_id':{"$in":delete_ids},
"createTime":{'$lt':delete_date}
},{w:"majority"})
}
varend_time=newDate();
print((end_time-start_time)/1000);

3. bulkWrite

實現思路同deleteMany類似，也是將待刪除的_id放到一個數組中，最後再呼叫bulkWrite進行刪除。

具體程式碼如下：

vardelete_date=newDate("2021-01-01T00:00:00.000Z");
varstart_time=newDate();
rows=db.test_collection.find({"createtime":{$lt:delete_date}}).count()
print("totalrows:",rows);
varbatch_num=5000;
while(rows>0){
if(rows<batch_num){
batch_num=rows;
}
varcursor=db.test_collection.find({"createtime":{$lt:delete_date}},{"_id":1}).sort({"_id":1}).limit(batch_num);
rows=rows-batch_num;
vardelete_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}}
)
}
varend_time=newDate();
print((end_time-start_time)/1000);

接下來，看看三者的執行效率。

結合表中的資料，可以看出，

1. 執行最慢的是remove，執行最快的是bulkWrite，前者差不多是後者的 2.79 倍。
2. deleteMany 和 bulkWrite 的執行效率差不多，但就語法而言，前者比後者簡潔。

所以線上如果要刪除大量資料，推薦使用 deleteMany + ObjectID 進行批量刪除。

通過 Write Concern 規避主從延遲

雖然是批量刪除，但在MySQL中，如果沒控制好節奏，還是很容易導致主從延遲。在MongoDB中，其實也有類似的擔憂，不過我們可以通過 Write Concern 進行規避。

Write Concern，可理解為寫安全策略，簡單來說，它定義了一個寫操作，需要在幾個節點上應用（Apply）完，才會給客戶端反饋。

看下面這個原理圖。

圖中是一個一主兩從的副本集，設定了w: "majority"，代表一個寫操作，需要等待副本集中絕大多數節點（本例中是兩個）應用完，才能給客戶端反饋。

在前面的程式碼中，無論是remove，deleteMany還是bulkWrite方法，都設定了w: "majority"。

之所以這樣設定，一方面是為了保證資料的安全性，畢竟刪除操作能在多個節點落盤，另一方面，還能有效降低批量操作可能導致的主從延遲風險。

Write Concern的完整語法如下，

{w:<value>,j:<boolean>,wtimeout:<number>}

其中，

w：指定節點數或tags。其有如下取值：

• <number>：顯式指定節點數量。

  設定為0，無需Server端反饋。

  設定為1，只需Primary節點反饋。

  設定為2，在副本集中，需要一個Primary節點（Primary節點必需）和一個Secondary節點反饋。

  需要注意的是，這裡的Secondary節點必須是資料節點，可以是隱藏節點、延遲節點或Priority為 0 的節點，但仲裁節點（Arbiter）絕對不行。

  一般來說，設定的節點數越多，資料越安全，寫入的效率也會越低。

• majority：副本集大多數節點。

  與上面不一樣的是，這裡的Secondary節點不僅要求是資料節點，它的votes（members[n].votes）還必須大於0。

• <custom write concern name>：指定tags。

  tag，顧名思義，是給節點打標籤。常用於多資料中心部署場景。

  如一個叢集，有5個節點，跨機房部署。其中3個節點在A機房，另外2個節點在B機房，因為對資料的安全性、一致性要求很高，我們希望寫操作至少能在A機房的2個節點落盤，B機房的1個節點落盤。

  對於這種個性化的需求，只有通過tags才能實現。

  具體使用，可參考：https://docs.mongodb.com/manual/tutorial/configure-replica-set-tag-sets/#configure-custom-write-concern。

j：是否需要等待對應操作的日誌持久化到磁碟中。

在MongoDB中，一個寫操作會涉及到三個動作：更新資料，更新索引，寫入oplog，這三個動作要麼全部成功，要麼全部失敗，這也是MongoDB單行事務的由來。

對於每個寫操作，WiredTiger都會記錄一條日誌到 journal 中。

日誌在寫入journal之前，會首先寫入到 journal buffer（最大128KB）中。

Journal buffer會在以下場景持久化到 journal 檔案中：

• 副本集中，當有操作等待oplog時。

  這類操作包括：針對oplog最新位置點的掃描查詢；Causally consistent session中的讀操作；對於Secondary節點，每次批量應用oplog後。

• Write Concern 設定了 j: true。

• 每100ms。

  由 storage.journal.commitIntervalMs 引數指定。

• 建立新的 journal 檔案時。

  當 journal 檔案的大小達到100MB時會自動建立一個新的journal 檔案。

wtimeout：超時時長，單位ms。

不設定或設定為0，命令在執行的過程中，如果遇到了鎖等待或節點數不滿足要求，會一直阻塞。

如果設定了時間，命令在這個時間內沒有執行成功，則會超時報錯，具體報錯資訊如下：

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

刪除過程中遇到的Bug

其實，最開始的刪除程式是下面這個版本。

vardelete_date=newDate("2021-01-01T00:00:00.000Z");
varstart_time=newDate();
varbatch_num=5000;
while(1==1){
varcursor=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"})
}
varend_time=newDate();
print((end_time-start_time)/1000);

相對於效率對比章節的版本，這個版本的程式碼簡潔不少。

1. 不用額外獲取需要刪除的記錄數。
2. batch_num在整個執行過程中也是不變的。

但用這個版本在線上刪除資料時，發現了一個問題。

在刪除到最後一批時，程式會hang在那裡。重試了多次依然如此。分析如下：

• 最後一批的文件數小於batch_num時，會出現這個問題。

  刪除同例項下另外一個集合，也出現了類似的問題。

  但在測試環境，刪除一個簡單的集合卻沒有復現出來，懷疑這個Bug與線上集合的記錄過長有關。

• cursor只是一個迭代物件，並不是查詢結果。基於cursor可以分批返回記錄，類似於Python中的迭代器。

  最後一批也不是完全沒有返回，而是在返回100條之後才hang在那裡。

• 不使用sort沒有這個問題。

  為什麼要使用sort呢？這樣可保證得到的id是有序且在物理上的儲存是相鄰的。這樣，在執行批量刪除操作時，效率也會相對較高。

  經過實際測試，當要刪除的資料量較大時，使用sort的效率確實比不使用的要高。

  如果刪除的資料量較小，使不使用sort則沒多大區別。

總結

從最佳實踐的角度出發，無論是在哪種資料庫中，如果都刪除（更新）大量資料，都建議分而治之，分批執行。

在MongoDB中，如果要刪除大量資料，推薦使用deleteMany + ObjectID進行批量刪除。

為了保證操作的安全性及規避批量操作帶來的主從延遲風險，建議在執行刪除操作時，將Write Concern設定為w: "majority"。

參考

[1] Journaling

[2] Write Concern