90%以上长期RECOVERING源于oplog陈旧：主节点已覆盖从节点所需起始ts，验证需比对db.getReplicationInfo().timeDiffHours与日志中缺失ts的时间差，若后者更大则确认陈旧，删数据目录重做initial sync是唯一可靠解法。
节点卡在RECOVERING，先看oplog是否被覆盖
直接结论：90%以上的长期RECOVERING都源于oplog陈旧——主节点已把从节点需要的起始ts条目覆盖掉了。不是网络慢、磁盘满或配置错，而是同步起点根本不存在了。
验证方法很简单，连上主节点执行：
db.getReplicationInfo()
重点关注timeDiffHours字段，它代表当前oplog能覆盖的时间窗口（单位：小时）。再查从节点日志里报错的那条need oplog entry at timestamp XXX，把那个时间戳换算成小时差。如果后者大于前者，就确认陈旧。
更直观点，手动查主节点最新oplog：
db.oplog.rs.find().sort({$natural: -1}).limit(1)
对比日志中缺失的ts值。只要那个ts不在主节点oplog里，删数据目录重拉是唯一可靠解法。
注意：storage.oplogMinRetentionHours只影响4.4+版本的新oplog保留策略，对已卡住的节点无效；改oplogSizeMB并重启只能延长未来窗口，救不了当前状态。
initial sync中途卡死，别只盯日志里的“progress”
从节点启动后长时间停在RECOVERING，且日志反复出现InitialSync和类似"collection": "admin.system.version"的固定输出，基本就是全量同步卡住了。
常见卡点不是代码逻辑问题，而是环境瓶颈：
- 目标节点用SAS机械盘跑WiredTiger，压缩写入吞吐跟不上源库流速
- 源节点某个集合存在大量孤儿文档（orphaned documents），initial sync会逐个校验，单集合卡几小时不报错
- 防火墙只放行了从节点连主节点的27017，但MongoDB initial sync要求主节点能反向连回从节点（尤其在跨VPC/安全组场景）
-
local数据库所在磁盘空间不足——initial sync会在local.oplog.rs临时缓存大量oplog，空间不够就静默卡住
排查时别只刷新rs.status()，要实时看mongod进程的磁盘IO和内存占用。卡在某个collection不动超过30分钟，基本可判定是硬件或数据质量问题。
oplog大小设置不当，会同时拖慢initial sync和增量同步
很多人以为oplog只是为增量同步服务，其实initial sync也强依赖它：同步过程中所有变更都会先写进目标节点的oplog缓存，等克隆完再回放。oplog太小 → 缓存溢出 → 同步中断 → 状态卡在RECOVERING。
生产环境建议按这两条硬指标设：
- oplog容量 ≥ 预估initial sync耗时 × 平均每秒oplog写入量（可用
db.serverStatus().metrics.repl.buffer估算） - oplog窗口 ≥ 业务最长维护/迁移/故障恢复时间（比如计划停机4小时，oplog至少保留6小时）
旧版本（如3.2.x）无法在线调大oplog，必须停机删数据目录重建；3.6+支持replSetResizeOplog命令，但仅限WiredTiger引擎且不能缩容。
别信“5%磁盘空间”默认值——150GB数据配50GB oplog，在高更新业务下可能只撑2小时。
时间不同步会导致RECOVERING状态假性卡死
从节点系统时间比主节点落后超过30秒，WiredTiger引擎下可能触发oplog timestamp validation failed，日志里看不到明确报错，但状态一直停在RECOVERING。
这不是bug，是设计行为：oplog条目带ts时间戳，用于保证因果序。时间偏差大会让节点拒绝应用“未来”的oplog，也不敢发起initial sync（怕拿到错误快照）。
检查方式：
ntpq -p
确保所有副本集节点NTP同步正常，offset绝对值控制在±500ms内。若用容器部署，注意宿主机与容器时钟隔离问题——有些K8s环境需显式挂载/etc/localtime并启用hostTime。
这个点最容易被忽略：所有日志看起来都正常，rs.status()显示连接成功，就是状态切不过去。
