bulk_write是性能分水岭，10万条数据可从200秒降至3–8秒；支持混合操作、per-operation write_concern、ordered=False并发执行，但需检查writeErrors；批次大小应据BSON体积动态调整，避免超16MB限制。
直接用 bulk_write，别用循环 insert_one 或 update_one —— 这不是“建议”，是性能分水岭。10 万条数据，单条写要 200 秒以上，bulk_write 分批后通常压到 3–8 秒。
为什么 bulk_write 比 insert_many 更值得细调
insert_many 是 bulk_write 的简化封装，它默认 ordered=True，且不支持混合操作；而 bulk_write 可以在同一请求里混用 InsertOne、UpdateOne、DeleteOne，还能为每条操作单独设 upsert 和 write_concern。真正需要按业务逻辑差异化控制写入行为时，绕不开 bulk_write。
- 想给一批用户补字段，另一批用户删记录？
insert_many做不到，必须用bulk_write - 部分数据要等主从同步（
w: "majority"），部分只要主节点落盘（w: 1）？只有bulk_write支持 per-operation 级别的write_concern - 误设
ordered=True后某条文档因唯一键冲突失败，整批后续全跳过——这种静默丢数据，在日志类场景里极难排查
ordered=False 不是开箱即用的加速器，得配错误检查
设 ordered=False 后，MongoDB 会并发执行所有操作，失败项不影响其余项，但错误不会抛异常，而是塞进返回值的 writeErrors 字段里。不主动读这个字段，就等于把失败当成功。
- 必须检查
result.writeErrors，尤其在 ETL 或埋点写入中，漏掉几百条失败文档可能几周都发现不了 - 在分片集群中，
ordered=False才能让mongos并行投递到多个分片；ordered=True是串行路由，天然卡瓶颈 - PyMongo 默认是
ordered=True，Node.js 驱动也一样，不显式传参就不是“无序”
批次大小别硬套“1000”，先看单条 BSON 体积
批次大小不是越大越好，关键约束是单个请求体不能超 MongoDB 的 BSON 16MB 上限。如果单条文档平均 5KB，那 3000 条就接近 15MB，再加点元数据就超限；若文档含大字段（如 base64 图片），300 条就可能爆。
华为云 Python SDK 查询工具。自动发现已安装 SDK 的服务包、Client类、API 方法、入参详情、类信息（__init__ 参数、属性、类型、描述），支持关键字搜索，快速定位目标 API 使用方法。
立即学习“Python免费学习笔记（深入）”；
- 实测安全区间是 100–500 条/批：小于此数，网络节省不明显；大于此数，容易触发
DocumentTooLarge或服务端 OOM - 不要一次性构造全部
requests列表再传给bulk_write，边查边攒、攒够一批就发一批，避免客户端内存暴涨 - 对更新类操作，优先用
UpdateMany替代多个UpdateOne；后者每条都要独立 filter，解析开销翻倍
write_concern 必须按数据等级显式设，别信“默认”
副本集里写入慢，80% 是因为 write_concern 卡在等多数节点确认。全局配 w: "majority" 看似安全，但某个从节点延迟高或 oplog 追不上，整个 bulk_write 就卡住直到超时（默认 30 秒）。
- 日志、埋点类数据：显式传
write_concern={"w": 1}，只等主节点 journal 落盘，延迟稳定在毫秒级 - 订单、账户类关键数据：才用
{"w": "majority"}，但必须确保所有从节点oplogSize≥ 24 小时变更量 - 千万别省略
write_concern参数——生产环境配置可能覆盖驱动默认值，不写等于裸奔
真正卡住性能的，往往不是 bulk_write 本身，而是没意识到它暴露了底层链路的所有隐性依赖：网络延迟、副本同步状态、BSON 大小、客户端内存、甚至 WiredTiger 的 journal 刷盘节奏。调参前先看清数据特征和部署拓扑，比盲目加大批次更管用。
