龙空技术网

MongoDB中如何优雅地删除大量数据

Java大数据高级架构师 285

前言:

此时朋友们对“java删除数据库一条记录”大致比较关切,我们都想要学习一些“java删除数据库一条记录”的相关知识。那么小编也在网摘上网罗了一些对于“java删除数据库一条记录””的相关资讯,希望同学们能喜欢,兄弟们快快来了解一下吧!

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?

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。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。

MongoDB中删除数据的三种方式。三种方式的执行效率对比。通过Write Concern规避主从延迟。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,

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

其中,

w:指定节点数或tags。其有如下取值:

<number>: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。<custom write concern name>: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:。

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。

不用额外获取需要删除的记录数。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"。

标签: #java删除数据库一条记录