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。
| 删除方式 | 平均执行时间（s） | 第一次 | 第二次 | 第三次 | 第四次 | 第五次 |
| — | — | — | — | — | — | — |
| remove | 47.341 | 49.606 | 48.487 | 49.314 | 47.572 | 41.727 |
| deleteMany | 16.951 | 16.566 | 18.669 | 17.932 | 18.66 | 12.928 |
| bulkWrite | 16.476 | 17.247 | 14.181 | 16.151 | 18.403 | 16.397 |
结合表中的数据，可以看出，
- 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。
- 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：Configure Replica Set Tag Sets — MongoDB Manual。
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
===========
