NoSQL ist ein Sammelbegriff für Datenbanken, die nicht auf dem klassischen Tabellenmodell aufbauen. Das Wort wird oft als „Not only SQL“ gelesen, also „nicht nur SQL“. Untereinander unterscheiden sich diese Datenbanken stark. Die Frage „SQL oder NoSQL?“ greift deshalb oft zu kurz. Wichtiger ist, welcher Typ zu welcher Aufgabe passt.
Flexibel heißt nicht ohne Struktur
In einer relationalen Tabelle hat jede Zeile dieselben Spalten. Viele NoSQL-Datenbanken sind da freier. Das hilft zum Beispiel in einem Produktkatalog: Ein Akkuschrauber hat ein Drehmoment, eine Schutzbrille eine Prüfnorm. Die Struktur verschwindet dadurch aber nicht. Sie wandert in den Programmcode, der jetzt mit alten und neuen Einträgen klarkommen muss. Manche Systeme erlauben trotzdem feste Regeln, MongoDB zum Beispiel über eine Schema-Validierung.
Mehr Hardware oder mehr Server
Wird eine Datenbank zu klein oder zu langsam, muss sie wachsen. Das nennt man Skalieren. Dafür gibt es zwei Wege:
- Vertikal skalieren: ein stärkerer Server
- Der Server bekommt mehr Prozessorleistung, mehr Arbeitsspeicher und schnellere SSDs. Das ist einfach. Irgendwann ist aber die stärkste Maschine erreicht.
- Horizontal skalieren: mehr Server
- Die Daten werden auf mehrere Server aufgeteilt. Das nennt man Sharding. Außerdem liegen Kopien auf verschiedenen Servern. Das nennt man Replikation. So gibt es mehr Platz, und ein einzelner Ausfall legt nicht alles lahm. Dafür muss die Aufteilung gut geplant werden, und Abfragen über mehrere Server sind aufwendiger.
Viele NoSQL-Datenbanken wurden von Anfang an für mehrere Server gebaut. Das können aber nicht nur sie. Auch relationale Datenbanken wachsen mit Kopien, die nur Leseanfragen beantworten, und durch das Aufteilen großer Tabellen. Verteilte SQL-Systeme wie CockroachDB oder YugabyteDB verteilen ihre Daten sogar automatisch.
Die vier wichtigsten Typen
Dokumentendatenbanken
Systeme wie MongoDB oder CouchDB speichern zusammengehörige Daten gemeinsam in einem Dokument. Das ist wie ein digitaler Steckbrief. Das Format ähnelt meist JSON, einer einfachen Textform für strukturierte Daten:
{
"kunde": "Muster GmbH",
"ort": "Karlsruhe",
"bestellungen": [
{ "artikel": "Akkuschrauber", "menge": 2 },
{ "artikel": "Bohrersatz", "menge": 5 }
]
}Alles zu einem Kunden liegt hier zusammen. Das passt gut, wenn Daten meist als Ganzes gelesen werden. Der Nachteil: Steht eine Information in vielen Dokumenten, muss sie auch überall geändert werden. Auswertungen über alle Dokumente hinweg sind außerdem oft aufwendiger als mit SQL.
Key-Value-Stores
Key-Value heißt Schlüssel und Wert. Das Prinzip gleicht einer Garderobe: Sie geben Ihre Jacke ab und erhalten eine Marke. Gegen diese Marke bekommen Sie genau Ihre Jacke zurück. Die Marke ist der Schlüssel, die Jacke der Wert. Systeme wie Redis oder Valkey halten die Daten meist im Arbeitsspeicher und antworten deshalb oft in unter einer Millisekunde:
SET sitzung:88392 "kunde:17" EX 3600
GET sitzung:88392SET speichert hier einen Wert für eine Stunde, denn EX 3600 steht für 3.600 Sekunden. GET liest ihn wieder aus.
Typische Aufgaben sind Zwischenspeicher (Cache), Anmelde-Sitzungen, Zähler und Grenzen für die Zahl der Anfragen. Der Zugriff läuft grundsätzlich über den Schlüssel. Arbeitsspeicher ist teuer und verliert seinen Inhalt, wenn der Strom ausfällt. Regelmäßige Abbilder (Snapshots) und Protokolldateien sichern die Daten zwar auf der Festplatte. Je nach Einstellung können bei einem Ausfall aber die letzten Änderungen verloren gehen.
Wide-Column-Datenbanken
Apache Cassandra, ScyllaDB und HBase sind für sehr große Datenmengen auf vielen Servern gebaut. Zusammengehörige Zeilen bilden eine Partition und liegen gemeinsam auf denselben Servern. Innerhalb einer Partition sind die Zeilen sortiert. Diese Datenbanken verkraften sehr viele Schreibvorgänge, auch über mehrere Standorte hinweg. Die Tabellen entwirft man passend zu den geplanten Abfragen:
CREATE TABLE messwerte (
sensor_id int,
zeitpunkt timestamp,
temperatur double,
PRIMARY KEY (sensor_id, zeitpunkt)
) WITH CLUSTERING ORDER BY (zeitpunkt DESC);Der PRIMARY KEY hat hier zwei Teile. sensor_id legt die Partition fest, jeder Sensor bekommt also seine eigene. zeitpunkt sortiert die Werte darin, die neuesten stehen vorne.
„Die letzten Werte von Sensor 4002“ lassen sich deshalb sehr schnell abfragen. „Der Durchschnitt aller Sensoren über fünf Jahre“ dagegen nicht, denn dafür müsste die Datenbank alle Partitionen lesen.
Spaltenorientierte Analysedatenbanken wie ClickHouse, DuckDB oder Amazon Redshift speichern die Werte jeder Spalte tatsächlich zusammen. Für eine Auswertung lesen sie nur die Spalten, die sie brauchen. Das macht Berechnungen über Milliarden Zeilen schnell. Sie nutzen SQL und sind etwas anderes als Wide-Column-Datenbanken.
Graphdatenbanken
Eine Graphdatenbank wie Neo4j funktioniert wie eine Pinnwand mit Fäden. Die Zettel sind die Knoten, also Dinge wie Kunden oder Artikel. Die Fäden sind die Kanten, also die Beziehungen zwischen ihnen. Das ist stark bei Fragen über mehrere Stufen, etwa „Freunde von Freunden“. SQL braucht dafür pro Stufe einen weiteren JOIN oder eine rekursive Abfrage, also eine Abfrage, die sich selbst wiederholt.
Diese Abfrage in der Sprache Cypher sucht Artikel, die ähnliche Kunden gekauft haben, die Muster GmbH aber noch nicht:
MATCH (k:Kunde {name: 'Muster GmbH'})
-[:KAUFTE]->(:Artikel)
<-[:KAUFTE]-(:Kunde)
-[:KAUFTE]->(e:Artikel)
WHERE NOT (k)-[:KAUFTE]->(e)
RETURN e.name, count(*) AS treffer
ORDER BY treffer DESC
LIMIT 5;Typische Einsatzfelder sind Empfehlungen, Betrugserkennung und die Analyse von Abhängigkeiten. Für einfache Beziehungen ist eine eigene Graphdatenbank meist überdimensioniert.
Konsistenz: BASE, ACID und CAP
Liegen Daten auf mehreren Servern, stellt sich eine neue Frage: Zeigen alle Server immer denselben Stand? Viele verteilte Systeme arbeiten nach dem Modell BASE. Es ist weniger streng als die ACID-Garantien aus Teil 1:
- Basically Available (grundsätzlich verfügbar)
- Das System antwortet auch, wenn Teile ausfallen. Notfalls liefert es einen nicht ganz aktuellen Stand.
- Soft State (veränderlicher Zustand)
- Der Stand kann sich ändern, auch wenn gerade niemand etwas schreibt. Der Grund: Die Kopien gleichen sich noch an.
- Eventual Consistency (letztendliche Konsistenz)
- Kommen keine neuen Änderungen hinzu, haben irgendwann alle Kopien denselben Stand. Wie lange das dauert, ist damit nicht festgelegt.
Bei einem Aufrufzähler stört es niemanden, wenn ein Server kurz 99 statt 100 anzeigt. Beim letzten Stück auf Lager kann derselbe Effekt dazu führen, dass zwei Kunden dieselbe Ware kaufen.
MongoDB beherrscht Transaktionen über mehrere Dokumente. Auch DynamoDB bietet Transaktionen, und Neo4j arbeitet mit ACID-Garantien. Bei Cassandra lässt sich für jede Abfrage einzeln wählen, wie viele Kopien antworten müssen. Entscheidend sind also das konkrete System und seine Einstellungen.
Bleibt das CAP-Theorem. CAP steht für Consistency, Availability und Partition Tolerance, also Konsistenz, Verfügbarkeit und Weiterarbeiten trotz Netzausfall. Oft wird es zu „wähle zwei von drei“ verkürzt. Genauer geht es um diesen Fall: Die Verbindung zwischen Servern fällt aus, die Server selbst laufen aber weiter. Dann muss das System sich entscheiden. Entweder lehnt es Anfragen ab, damit niemand einen veralteten Stand bekommt. Das ist die Konsistenz. Oder es antwortet weiter und nimmt einen veralteten Stand in Kauf. Das ist die Verfügbarkeit.
Das ist keine Trennlinie zwischen SQL und NoSQL. Ein einzelner PostgreSQL-Server ist gar kein verteiltes System. Und viele Datenbanken lassen sich in beide Richtungen einstellen. Außerdem meint das C nicht dasselbe: In CAP bedeutet es, dass alle Kopien den aktuellen Stand zeigen. In ACID bedeutet es, dass festgelegte Regeln eingehalten werden.
Der letzte Artikel vergleicht beide Welten und gibt Ihnen fünf Fragen für die Entscheidung in Ihrem Projekt an die Hand.