mongodb每天上亿数据量定期清理

Bertha 。 2022-04-24 14:52 598阅读 0赞

背景：mongodb（应用运营数据分析与自动自助化支持平台）每分钟有30w~40w的insert，20w~30w的update。数据保留一天，一天之前的数据可以清理。一天的数据量大概1亿左右。由于数据量较大，清理数据对系统造成了较大影响，入库会出现堵塞。经过和开发多次讨论，尝试了不同的方案。最终选择了合适的清理方式，系统也开始比较稳定地运行。

除了这个mongodb库外，也遇到其他库询问关于mongodb如何进行数据清理问题。这里将常见的清理方法列出来供大家参考。

清理方法：

1.  采用定期一分钟删除一次的方法。方法如下：
    
        "op" : "remove",
        
                            "ns" : "fla.logGset",
        
                            "query" : {
        
                                    "time" : {
        
                                            "$lt" : NumberLong(1495693140),
        
                                            "$gte" : NumberLong(1495693080)
        
                                    }
        
                            },

对于数据量较小的表，这种方法比较合适。但是对于数据量较较大的库，删除速度太慢，跟不上入库的速度。比如mrcache这个库，单次删除执行时间需要大概10分钟~20分钟不等。这个远远追不上入库的速度。

1.  采用晚上定期执行删除任务，删除小于某个时间的所有数据。
    
        "op" : "remove",
        
                            "ns" : "fla.logGset",
        
                            "query" : {
        
                                    "time" : {
        
                                            "$lt" : 1495752371
        
                                    }
        
                            },

对于一个晚上能够清理完某个时间点之前的数据，这种方法还是比较合适的。如果表太大，该语句晚上没有执行完成，一直持续到白天，就会严重影响白天的业务，特别是高并发的情况下，会导致mongodb变得非常缓慢。比如mrcache这个库，有个22:00开始执行删除小于一天前的数据，数据量大概12个亿，执行到白天10:00也没有完成。mongodb变得非常缓慢，当停掉客户端程序后，发现已执行的删除语句其实还在继续执行。将mongodb切换到从库后，仍然非常缓慢。只有从后台将删除会话kill后，mongodb性能才会恢复。

db.currentOp().inprog.forEach(function(item)\{if(item.ns == "fla.logGset"&&item.op == "remove" )db.killOp(item.opid)\})

1.  采用mongodb的TTL索引功能。

db.person.createIndex( \{ "lastModifiedDate": 1 \}, \{ expireAfterSeconds: 60 \} )

查看了ttl索引实际进行的操作，mongodb在后台使用的类似于delete tab where time <某个时间的方式。

ns: ycsb.personkey:\{ lastModifiedDate: 1.0 \} query:

\{ lastModifiedDate: \{ $lt: new Date(1495696792487) \} \}

TTL deleted: 58397

使用TTL index不需要自己写代码，mongodb自动清理数据，而且不用同步删除的数据到从库，ttl的从库操作是在从库独立运行的。

但是TTL index的清理操作对数据库有一定的影响。而且是单线程操作。

例如fla库单表的一分钟的数据30多万的数据，根据负载不同删除一分钟需要耗时从10分钟到20分钟不等，不能满足删除需求。

1.  根据单位时间的数据量，分批删除，并启用多个线程。

例如fla库，每分钟删除一次，需要大概10分钟。大概20个线程同时运行，能够追的上入库的速度。另外一种方法是根据object id分批删除。效率和根据时间删除差不多。程序放在晚间执行，不影响白天的入库操作。到早上8:00停止。

"op" : "remove",
    
                        "ns" : "fla.logGset",
    
                        "query" : {
    
                                "time" : {
    
                                        "$lt" : NumberLong(1495693140),
    
                                        "$gte" : NumberLong(1495693080)
    
                                }
    
                        },

或者

"op" : "remove",
    
                        "ns" : "fla.logGset",
    
                        "query" : {
    
                                "_id" : {
    
                                        "$lt" : ObjectId("5928c66cf1516ce0f261b444"),
    
                                        "$gte" : ObjectId("5928c630f1516ce0f261b445")
    
                                }
    
                        },

mrcache库采用这种方式，目前30W/min insert操作、20w/min的update操作,无删除时mongodb还是比较稳定的; 在夜间业务低峰执行删除时, 观察过几次, 都会有一些抖动; 不过可以接受。

1.  采用分表的方式，类似于oracle的分区操作。不过程序代码需要处理oracle的分区功能，比如创建新collection、查询新collection和删除旧collection操作。

为每天创建一个collection，比如logGset170605，logGset170606，logGset170607。

这种方式清理时很简单，只要drop相应日期的collection即可。但是程序代码需要进行额外处理，需要能够识别分表的情况，每天需要动态的创建新collection，DML操作也要切换到新的collection。在进行查询统计时，需要跨多个collection访问。

1.  采用分库分表的方式，和第5步类似，只是collection的db也是新建的。

为每天创建一个db+collection，比如db170605.logGset170605，db170606.logGset170606，db170607.logGset170607。

清理时直接drop db，这样可以从物理磁盘释放空间。