$group + $first 用于取唯一文档而非删重，适合只读场景；$group + $addToSet + forEach 才用于批量删除重复数据；真正防重应靠写入端唯一索引或 upsert。
用 $group + $first 直接提取去重后的一条文档
这不是“删重复”，而是“取唯一”——适合导出、报表、ETL 等只读场景。核心是把目标字段设为 _id，再用 $first: "$$ROOT" 拿到该组第一条完整文档。
比如按 email 去重并保留最早插入的记录：
db.users.aggregate([
{ $group: { _id: "$email", doc: { $first: "$$ROOT" } } },
{ $replaceRoot: { newRoot: "$doc" } }
])
-
$$ROOT是当前文档全量，$first在 ObjectId 时间有序前提下 ≈ 最早插入（因 ObjectId 前4字节是时间戳） - 必须加
$replaceRoot，否则结果是{_id: "a@b.com", doc: {...}}这种嵌套结构，不便于后续使用 - 若需保留最新一条，改用
$last；但注意：聚合阶段不保证输入顺序，$last只在 pipeline 显式排序（$sort）后才可靠
用 $group + $addToSet + forEach 批量删除重复文档
这是线上清理存量重复数据最常用的方式，尤其适用于无法加唯一索引的历史集合。关键点在于：先聚合同字段的 _id 到数组，再剔除一个留用，其余全删。
以 name 和 phone 联合判重为例：
db.users.aggregate([
{ $group: {
_id: { name: "$name", phone: "$phone" },
ids: { $addToSet: "$_id" }
}
},
{ $match: { "ids.1": { $exists: true } } }
]).forEach(function(doc) {
doc.ids.shift(); // 剔除第一个，保留它
db.users.deleteMany({ _id: { $in: doc.ids } });
})
-
$addToSet比$push更安全，避免同一_id因并发被多次加入（虽极少见） -
"ids.1": { $exists: true }是比count: { $gt: 1 }更快的写法，跳过单条记录的$sum计算 - 务必在生产环境加
{ allowDiskUse: true }参数，百万级数据不加会报errmsg: "Sort exceeded memory limit"
为什么不能直接用 distinct + insert 替换整个集合？
这种做法看似一劳永逸，但实际在线上几乎等同于停服+数据丢失风险。
-
db.collection.distinct("email")只返回字符串数组，原始文档里的createdAt、status、嵌套对象全丢了 - 清空再插：执行
db.users.deleteMany({})期间所有写请求失败；即使加事务（4.0+），跨文档事务也无法覆盖整个集合清空操作 - 如果表上有其他唯一索引（如
{userId: 1, type: 1}），新插入顺序不对可能触发DuplicateKeyError，中断流程 - 没有原子性保障：insert 过程中崩溃，集合就处于“半空”状态，业务不可用且难以回滚
真正防重复，应该在写入端做而不是查完再删
聚合去重是救火，不是基建。95% 的重复问题，根源在写入逻辑没约束。
- 新集合上线前，立刻建唯一索引：
db.users.createIndex({ email: 1 }, { unique: true })。后续重复insertOne会抛DuplicateKeyError，捕获后可跳过或告警 - 已有集合但不敢动索引？用
updateOne+upsert: true替代insertOne：db.users.updateOne({ email: "a@b.com" }, { $setOnInsert: doc }, { upsert: true })—— 注意$setOnInsert不会覆盖已有字段，比盲目$set安全 - 绝对别用
save()：它已被弃用，行为不明确（存在则$set全字段，不存在则insert），极易掩盖重复逻辑
聚合阶段的去重能力再强，也补不上写入端松散设计带来的数据熵增。留着 $group 救急可以，但别把它当默认方案。
