作者：Digital Observer（施嘉伟）
Oracle  ACE Pro: Database
PostgreSQL  ACE Partner
11年数据库行业经验，现主要从事数据库服务工作
拥有Oracle  OCM、DB2 10.1 Fundamentals、MySQL 8.0 OCP、WebLogic 12c OCA、KCP、PCTP、PCSD、 PGCM、OCI、PolarDB技术专家、达梦师资认证、数据安全咨询高级等认证
ITPUB认证专家、PolarDB开源社区技术顾问、HaloDB技术顾问、TiDB社区技术布道师、青学会MOP技术社区专家顾问、国内某高校企业实践指导教师
公众号：Digital Observer；CSDN：施嘉伟；ITPUB：sjw1933；墨天轮：Digital Observer；PGFans：施嘉伟

第一部分 应用情景

oplog的大小不能在正常操作过程中修改。在大多数情况下，默认oplog大小是一个可接受的大小；然而，在某些情况下，您可能需要一个更大或更小的oplog。例如，如果应用程序在短时间内执行大量多更新或删除操作，则可能需要更改oplog大小。
生产环境出现多次Primary写入QPS太高，导致Seconary的同步无法跟上的问题（Secondary上的最新oplog时间戳比Primary上最旧oplog时间戳小），使得Secondary变成RECOVERING状态，这时需要人工介入处理，向Secondary发送resync命令，让Secondary重新全量同步一次。

第二部分 改进方案

2.1 修改oplog的大小

首先关闭该节点

db.shutdownServer()

取消复制集参数，并在不同端口上以独立模式重新启动Secondary节点

net:                               
    port: 57019                             
#replication:
    #oplogSizeMB: 1024
    #replSetName: configRS
    #secondaryIndexPrefetch: all

备份原有的oplog.rs集合(可选步骤)

mongodump --db local --collection 'oplog.rs' --port 57019

开始重建oplog
保存原有oplog的最后一个条目，切换到local数据库，设置变量，暂存local数据库为db变量，删除临时数据库，确保为空

use local
db = db.getSiblingDB('local')
db.temp.drop()

使用db.collection.save()方法和反向排序查找最后一个条目并将其保存到临时集合中，请执行以下操作

db.temp.save( db.oplog.rs.find( { }, { ts: 1, h: 1 } ).sort( {$natural : -1} ).limit(1).next() )

查看是否保存在temp集合下

db.temp.find()

删除原有的oplog.rs集合，结果返回为true

db = db.getSiblingDB('local')
db.oplog.rs.drop()
创建新的oplog，大小为2GB
db.runCommand( { create: "oplog.rs", capped: true, size: (2 * 1024 * 1024 * 1024) } )

将原来oplog的最后一条记录保存到新的oplog.rs集合中

db.oplog.rs.save( db.temp.findOne() )

查看是否已经保存到新的oplog.rs集合中

db.oplog.rs.find()

关闭数据库，并恢复为原来的配置

use admin
db.shutdownServer()

启动数据库

mongod -f /home/mongod/mongod1.conf

注：对所有可能成为主成员的成员，请重复以上过程。作为以下步骤的一部分，重复主步骤的过程，主库在操作时，需要降级为Secondary，使用：

rs.stepDown()

2.2 加速重放oplog

关闭对应延迟高的Secondary节点服务，配置以下到参数文件

setParameter:
    replWriterThreadCount: 32

并重新启动服务
或者以命令行启动方式设置该参数的值，如下

mongod --setParameter replWriterThreadCount=32

注：配置更高的replWriterThreadCount，能够让Secondary加速oplog重放，但是代价是更高的内存开销。