¿Cuál es la diferencia entre Cassandra y MongoDB?

Tanto Apache Cassandra como MongoDB pertenecen al grupo de bases de datos NoSQL. Las bases de datos NoSQL pueden almacenar datos estructurados, no estructurados y semiestructurados sin un esquema de base de datos.

El almacenamiento de datos en las bases de datos NoSQL no está limitado por el formato tabular y las relaciones entre las tablas, a diferencia de un sistema tradicional de administración de bases de datos relacionales. Puede particionar y replicar datos libremente en varios nodos para escalar de manera eficiente. 

Además, Cassandra y las primeras versiones de MongoDB son de código abierto. Esto significa que puede descargar el código fuente de estas bases de datos NoSQL y configurarlas como desee.

Facebook desarrolló Cassandra y luego la lanzó como un proyecto de código abierto con Apache. MongoDB fue desarrollado por un pequeño grupo de desarrolladores de MongoDB, Inc. Todas las versiones de MongoDB publicadas antes del 16 de octubre de 2018 están disponibles bajo la licencia pública general Affero de GNU.

Más información acerca de NoSQL »

Más información sobre el código abierto »

Debido a las diferencias en sus modelos de datos, Cassandra y MongoDB implementan varias características de bases de datos de forma diferente.

Unidad básica de almacenamiento

En Cassandra, las tablas de cadenas ordenadas (SSTables) son la unidad básica de almacenamiento que se utiliza para conservar los datos en el disco. Una SSTable es un archivo que contiene un conjunto ordenado de pares clave-valor para una familia de columnas (tabla) y una partición determinadas. Las SSTables son inmutables, lo que significa que una vez escritas, no se pueden modificar. 

En MongoDB, la unidad básica de almacenamiento es un documento. Un documento es un conjunto de pares clave-valor donde las claves son cadenas y los valores pueden ser de varios tipos. Por ejemplo, los valores pueden ser otros documentos, matrices, cadenas, números, fechas y valores booleanos. Los documentos se almacenan en colecciones.

Lenguaje de consulta

Un lenguaje de consulta son las sentencias que se utilizan para insertar y recuperar datos de la base de datos.

Cassandra Query Language (CQL) es el lenguaje de consulta que se utiliza en Cassandra. Si bien tiene una sintaxis y una estructura similares a las de SQL, Apache ha desarrollado CQL para que funcione con el modelo de datos de familia de columnas.

Por otro lado, MongoDB usa el lenguaje MongoDB Query Language (MQL), que tiene comandos similares a los de Node.js. MQL admite operaciones CRUD (crear, leer, actualizar y eliminar). Puede escribir comandos MQL en el shell de MongoDB.

Indexación

La indexación es una técnica que se utiliza en las bases de datos para mejorar la velocidad y la eficiencia de las operaciones de recuperación de datos. Implica crear una estructura de datos que asigne los valores de una o más columnas de una tabla de base de datos a la ubicación física de los datos correspondientes en el disco.

Cassandra admite dos tipos de índices:

• Índices secundarios en columnas individuales
• Índices secundarios SSTable Attached Secondary Index (SASI) en varias columnas

Los índices SASI almacenan los datos del índice directamente en SSTables. Admiten consultas complejas, como rango, prefijo y búsqueda de texto completo en columnas con un gran número de valores únicos.

Por el contrario, MongoDB admite la indexación a nivel de colección y de campo. Proporciona varios tipos de índices, como campo único, compuesto y multiclave. También ofrece los siguientes índices:

• índice geoespacial especializado para datos distribuidos geográficamente
• un índice de búsqueda de texto para grandes volúmenes de datos de texto
• índices con hash y agrupados para datos numéricos

Simultaneidad

En las bases de datos, la concurrencia se refiere a cuando varios usuarios o procesos pueden acceder a las bases de datos y realizar transacciones de forma simultánea sin interferir entre sí. 

Cassandra logra la concurrencia gracias a la consistencia turntable y la atomicidad a nivel de fila. Solo un usuario puede operar en una sola fila a la vez.

Mediante la consistencia turntable, cada nodo de réplica mantiene un reloj vectorial, que es una estructura de datos que rastrea el historial de versiones de los datos asociados. Cuando se realiza una operación de escritura, el reloj vectorial se actualiza para reflejar la nueva versión. Cuando se realiza una operación de lectura, Cassandra devuelve la versión con la marca de tiempo más alta de todas las réplicas, lo que garantiza que siempre se entrega la versión más reciente de los datos.

Por el contrario, MongoDB es compatible con mecanismos para el control de concurrencia mediante versiones múltiples (MVCC). El MVCC permite que existan varias versiones del mismo documento de datos de forma simultánea. Cada documento tiene un identificador de revisión único que se incrementa en cada actualización. El bloqueo a nivel de documento y el MVCC proporcionan una estrategia de concurrencia más sólida.

Disponibilidad

La disponibilidad significa garantizar que no haya tiempo de inactividad de los datos, incluso durante una interrupción del servidor. Tanto Cassandra como MongoDB garantizan la disponibilidad mediante la replicación de datos en varios nodos del servidor.

En Apache Cassandra, cada nodo del clúster contiene réplicas de datos para otros nodos. Cada nodo coordina las lecturas en el nodo correcto para escribir o extraer datos. Simultáneamente, también repara los datos que no fueron coherentes en los nodos. Esto puede afectar al rendimiento a escala.

Por el contrario, MongoDB utiliza la replicación de un solo nodo principal para ofrecer una alta disponibilidad de datos. MongoDB replica los datos en conjuntos de réplicas. Solo un nodo principal recibe las escrituras y los demás nodos simplemente replican los datos del nodo principal. Sin embargo, el nodo principal crea un único punto de error.

Escalabilidad

Tanto Cassandra como MongoDB permiten la partición, una técnica para dividir de forma horizontal los datos en varios nodos de un clúster. Por ejemplo, si tiene miles de clientes, particiona los datos para que cada nodo solo tenga la información de unos pocos cientos de clientes. De esta forma, puede escalar su base de datos sin causar embotellamientos.

Cassandra usa un algoritmo de hash distribuido llamado hash consistente para determinar qué nodo es responsable de un valor de datos en particular. Cassandra también admite nodos virtuales (vnodes), que permiten que un solo nodo físico tenga varios rangos de datos.

Por el contrario, MongoDB usa claves de partición para identificar dónde puede ir el valor de los datos. Los administradores de bases de datos pueden definir claves de partición para particionar los datos. Puede dividir los datos en función de factores como la ubicación geográfica, el orden alfabético o cualquier otro sistema que sea más eficiente para su conjunto de datos.

	Apache Cassandra	MongoDB
Modelo de datos	Cassandra usa un modelo de datos de columnas anchas más estrechamente relacionado con las bases de datos relacionales.	MongoDB se aleja por completo del modelo relacional al almacenar los datos como documentos.
Unidad de almacenamiento básica	Tablas de cadenas ordenadas.	Documentos JSON serializados.
Indexación	Cassandra admite índices secundarios y SASI para indexar por columna o columnas.	MongoDB indexa a nivel de colección y de campo y ofrece múltiples opciones de indexación.
Lenguaje de consulta	Cassandra usa CQL.	MongoDB usa MQL.
Simultaneidad	Cassandra logra la concurrencia gracias a la atomicidad a nivel de fila y la consistencia turntable o de tablas en turnos, una estrategia consistente en particionar tablas en otras más pequeñas llamadas turnos.	MongoDB usa MVCC y el bloqueo a nivel de documento para garantizar la concurrencia.
Disponibilidad	Cassandra tiene varios nodos maestros, particiones de nodos y replicación de claves para ofrecer una alta disponibilidad.	MongoDB usa un solo nodo principal y varios nodos de réplica. En combinación la partición, MongoDB ofrece una alta disponibilidad y escalabilidad.
Particionado	Algoritmo de hash consistente, menos control para los usuarios.	Los usuarios definen las claves de partición y tienen más control sobre la partición.