bulkWrite比insertMany更可控，因其支持混合操作、细粒度writeConcern与upsert配置，并可通过ordered:false实现无序并行执行，避免单点失败中断及写入瓶颈。
bulkWrite 为什么比 insertMany 更可控
bulkWrite 是 MongoDB 4.2+ 的底层批量写入接口，insertMany 实际是它的封装糖。区别在于：bulkWrite 允许混合操作（插入、更新、删除）、精确控制每条操作的 writeConcern 和 upsert 行为，还能通过 ordered: false 触发无序并行执行——这对副本集尤其关键，因为 mongos 或主节点可将不同操作分发到多个从节点 oplog 队列中，避免单点写入瓶颈。
常见错误是直接把 insertMany 当作“批量”用，却没意识到它默认 ordered: true，一旦某条失败，后续全部中断；而 bulkWrite 在 ordered: false 下即使部分失败，其余仍继续，且驱动层能更早释放连接。
- 批量大小建议控制在 100–500 条/批：太小起不到减少网络往返的作用，太大可能触发 WiredTiger 内存压力或超时
- 务必显式传入
{ writeConcern: { w: 1 } }：副本集默认就是w: 1，但不显式写容易被误认为依赖默认，实际部署中可能被配置覆盖 - 避免在
bulkWrite中混用高代价操作：比如一个 batch 里既有updateOne（需先查再改）又有insertOne，会拉长整体耗时；尽量按操作类型分批
副本集里 writeConcern 设置不当的典型表现
副本集写入慢，80% 情况下不是磁盘或 CPU 瓶颈，而是 writeConcern 卡在等待多数节点确认。比如设置 w: "majority"，但某个从节点延迟高或网络抖动，整个 bulkWrite 就卡住直到超时（默认 30 秒）。
真实场景中，日志类、埋点类数据通常不需要强一致性，这时应降级为 w: 1；而订单类关键数据才用 w: "majority"。别全局统一配，要按 collection 甚至按操作粒度区分。
-
w: 0不推荐：连主节点都不等确认，网络丢包或进程崩溃就真丢数据，不是“快”，是“赌” -
w: 1是平衡点：只等主节点落盘，WiredTiger 的 journal 已保证崩溃恢复，延迟通常 - 如果用了
w: "majority"，必须确保所有从节点 oplogSize 足够大（至少容纳 24 小时变更），否则从节点追不上主节点，写入会持续阻塞
WiredTiger 缓存刷新频率对大批量写入的实际影响
WiredTiger 默认每 100ms 刷一次 journal，每秒刷一次数据文件。大批量写入时，频繁刷盘会导致 I/O 毛刺，尤其在 HDD 或低配云盘上。但盲目调大刷新间隔风险极高——journal 是崩溃恢复的唯一依据，间隔超过 100ms 就可能丢失最近写入。
真正该调的是 cache 大小和压缩策略，而不是刷盘频率。比如 --wiredTigerCacheSizeGB 4 可让热数据常驻内存，减少磁盘读；用 --wiredTigerCollectionBlockCompressor zlib 替代默认 snappy，虽然压缩慢一点，但写入后体积更小，长期看反而降低 I/O 压力。
- 不要碰
journalCommitIntervalMs：官方明确不支持运行时修改，强行改可能导致 journal 文件损坏 - 监控
db.serverStatus().wiredTiger.cache中的bytes currently in the cache和maximum bytes configured比值，低于 70% 就说明 cache 不够，写入时频繁换页 - 如果用的是云数据库（如 Atlas、阿里云 MongoDB），这些参数通常不可调，那就只能靠前置批量 + 合理 writeConcern 来扛
分片集群下 bulkWrite 的路由陷阱
在副本集基础上加了分片，bulkWrite 的行为会变复杂。mongos 不会把一个 bulk 请求拆成多路并发发给所有分片；它只根据分片键 hash 或范围，把每条操作路由到对应分片——所以如果批量里所有文档的分片键都落在同一个 chunk 上，实际还是单分片扛压。
典型例子：用时间戳做分片键，又集中写入当天数据，结果所有写请求打到同一个分片，其他分片闲着。这不是 bulkWrite 的问题，是分片键设计缺陷。
- 测试分片分布：写入前用
sh.status()看各分片 chunk 数量是否均衡 - 避免单调递增分片键：比如
_id: ObjectId或timestamp，改用哈希索引（sh.shardCollection("db.coll", { _id: "hashed" })）或业务 ID 打散 - 预拆分空集合：对已知写入量大的集合，在
shardCollection后立刻用sh.splitAt()手动切好 chunk，避免初始全在一块上
批量写入性能优化的核心不在“怎么写快”，而在“不让不该等的地方等”。副本集里最常被忽略的，是 writeConcern 和分片键的耦合效应——一个设错，另一个再怎么调 bulkWrite 参数也白搭。
