SQL und NoSQL: Was ist der Unterschied?

01Was ist eine Datenbank?

Bevor wir zum Unterschied zwischen SQL und NoSQL kommen, beantworten wir die Grundfrage: Was ist eine Datenbank? Eine Datenbank ist ein System, in dem Daten geordnet gespeichert, schnell durchsucht, aktualisiert und von mehreren Nutzern sicher gemeinsam verwendet werden. Produktlisten, Bestellhistorien, Kundendaten oder Hotelreservierungen liegen alle in einer Datenbank.

Die Software, die eine Datenbank verwaltet, heißt Datenbankmanagementsystem. MySQL, PostgreSQL, SQL Server, MongoDB und Redis sind Beispiele dafür. Die Anwendung schreibt Daten nicht direkt in Dateien, sondern fragt dieses System an – so können Hunderte Nutzer gleichzeitig lesen und schreiben, ohne die Daten zu beschädigen.

Die Wahl der Datenbank gehört zu den langlebigsten Entscheidungen eines Projekts. Die Oberfläche lässt sich alle paar Jahre erneuern, das Datenmodell und das System dahinter bleiben dagegen oft jahrelang bestehen. Deshalb sollte die Entscheidung nicht nur den heutigen Bedarf, sondern auch das Wachstum von morgen berücksichtigen.

02SQL und relationale Datenbanken

Eine relationale Datenbank speichert Daten in Tabellen. Die Spalten jeder Tabelle sind vorab definiert, in einer Produkttabelle zum Beispiel Name, Preis, Lagerbestand und Kategorie. Verbindungen zwischen Tabellen entstehen über Schlüssel; über sie zeigt eine Bestellzeile, zu welchem Kunden und welchem Produkt sie gehört.

SQL (Structured Query Language) ist die Standardsprache, mit der man mit diesen Tabellen »spricht«. Sie ist ein leistungsstarkes, ausgereiftes Werkzeug, um Daten zu filtern, zu verknüpfen, zu gruppieren und zusammenzufassen. MySQL, MariaDB, PostgreSQL und SQL Server gehören zu den verbreitetsten relationalen Systemen.

SELECT m.ad, COUNT(s.id) AS siparis_sayisi, SUM(s.tutar) AS toplam
FROM musteriler m
JOIN siparisler s ON s.musteri_id = m.id
WHERE s.tarih >= '2025-01-01'
GROUP BY m.ad
ORDER BY toplam DESC
LIMIT 10;

ACID und Konsistenz

Die größte Stärke relationaler Datenbanken sind die ACID-Garantien: Atomarität, Konsistenz, Isolation und Dauerhaftigkeit. Wird eine Bestellung gespeichert und soll dabei auch der Lagerbestand sinken, geschieht entweder beides gemeinsam oder gar nichts. Bei Geld, Lagerbeständen und Reservierungen, wo Fehler keine Option sind, ist diese Eigenschaft unverzichtbar.

03Arten von NoSQL-Datenbanken

NoSQL ist ein weit gefasster Oberbegriff im Sinne von »Not only SQL«. Gemeinsam ist den Systemen, dass sie Daten statt in starren Tabellen in flexiblen Strukturen speichern. Es gibt vier Haupttypen:

• Dokumentenbasiert: Daten liegen in JSON-ähnlichen Dokumenten, jedes Dokument kann andere Felder haben. Beispiel: MongoDB.
• Key-Value: Zu einem Schlüssel wird genau ein Wert gespeichert; das ist extrem schnell. Ideal für Cache- und Sitzungsdaten. Beispiel: Redis.
• Spaltenfamilie: Ausgelegt auf sehr große, schreiblastige Datenmengen. Beispiel: Apache Cassandra.
• Graph: Gespeichert werden Knoten und ihre Beziehungen; stark bei eng vernetzten Daten wie sozialen Netzwerken oder Empfehlungssystemen. Beispiel: Neo4j.

{
  "_id": "urun-42",
  "ad": "Thymianhonig",
  "kategori": "Bal",
  "ozellikler": { "agirlik": "450 g", "kavanoz": "cam" },
  "etiketler": ["natürlich", "regional"],
  "varyantlar": [
    { "agirlik": "450 g", "stok": 12 },
    { "agirlik": "850 g", "stok": 5 }
  ]
}

04SQL vs. NoSQL im Vergleich

Die folgende Tabelle fasst beide Ansätze anhand der am häufigsten verglichenen Kriterien zusammen. Jede Zeile zeigt den allgemeinen Trend; viele moderne Systeme bieten auch Funktionen, die diese Grenzen teilweise überwinden.

05MySQL vs. MongoDB

Der Unterschied zwischen MySQL und MongoDB ist das anschaulichste Beispiel für den Vergleich von SQL und NoSQL. In MySQL legt man für die Varianten eines Produkts meist eine eigene Variantentabelle an und verknüpft sie über einen Schlüssel mit der Produkttabelle. In MongoDB lassen sich die Varianten direkt im Produktdokument einbetten.

Dieser Unterschied wirkt sich unmittelbar auf Lese- und Schreibmuster aus. Ein Produkt mit allen Details in einem Zug zu lesen, ist in MongoDB sehr natürlich. Abfragen, die viele Tabellen verknüpfen, etwa »Produkte der Kategorie mit den meisten Retouren der letzten drei Monate, gruppiert nach Wohnort des Kunden«, sind dagegen in MySQL einfacher und besser vorhersagbar.

Der Großteil der mit PHP entwickelten Webanwendungen nutzt MySQL oder MariaDB; warum dieses Duo so verbreitet ist, erklären wir in unserem Beitrag Was ist PHP?. In den Ökosystemen von Python und Node.js gibt es für beide Typen ausgereifte Bibliotheken.

06Welche Datenbank für welches Projekt?

Die richtige Wahl hängt von der Form der Daten und den geplanten Operationen ab. Sind die Daten eng miteinander verknüpft und ist Konsistenz entscheidend, ist SQL die richtige Wahl; ändert sich die Datenstruktur häufig und ist eine horizontale Skalierung bei sehr großen Datenmengen nötig, ist NoSQL ein starker Kandidat.

Szenarien, in denen SQL punktet

Ein E-Commerce-System, in dem Bestellungen, Zahlungen, Lagerbestände und Rechnungen miteinander verknüpft sind, eine Hotelsoftware, bei der dasselbe Zimmer nicht doppelt vergeben werden darf, sowie Buchhaltungs- und Reportingsysteme sind klassische Fälle für relationale Datenbanken. Doppelte Datensätze oder halb ausgeführte Vorgänge sind hier nicht akzeptabel.

Szenarien, in denen NoSQL punktet

Inhalts- und Katalogstrukturen, in denen jeder Datensatz andere Felder haben kann, Sitzungs- und Cachedaten sowie große Mengen an Ereignisdaten von Geräten oder aus Nutzeraktionen sind das Terrain von NoSQL. Inserate mit völlig unterschiedlichen Merkmalen je Kategorie passen zum Beispiel ganz natürlich ins Dokumentenmodell.

Beides zusammen

Viele reale Systeme kombinieren beide Ansätze: Die Stammdaten liegen in einer relationalen Datenbank, Cache und Sitzungsinformationen in einem Key-Value-Speicher wie Redis. Das nennt man Polyglot Persistence. In einer Immobilien-Software können etwa Inserate und Nutzerdaten in relationalen Tabellen liegen, häufige Suchergebnisse dagegen im Cache.

07Performance, Skalierung und KI

Unabhängig vom Datenbanktyp liegt die häufigste Ursache für eine langsame Anwendung in fehlenden Indizes und ineffizienten Abfragen. Eine falsch indizierte Tabelle muss bei wachsender Datensatzzahl bei jeder Suche alle Zeilen durchlaufen. Verzögerungen beim Seitenaufbau entstehen oft, weil die Antwort des Servers zu spät kommt; das aufzuspüren gehört zur Speed- & Performance-Optimierung.

In den letzten Jahren sind mit KI-Anwendungen auch Vektordatenbanken ins Gespräch gekommen. Sie ermöglichen die Suche nach Texten und Bildern anhand semantischer Ähnlichkeit und bilden die Grundlage von KI-Lösungen, die Antworten auf Basis von Dokumenten erzeugen; mehr dazu in unserem Beitrag Was ist RAG?. Einige relationale Systeme wie PostgreSQL können über Erweiterungen ebenfalls Vektorsuche unterstützen.

Wer den Umgang mit Daten lernen möchte, startet am besten mit Python; über die ausgereiften Bibliotheken, die sich mit SQL- und NoSQL-Systemen verbinden, und die Werkzeuge zur Datenanalyse informiert Sie unser Beitrag Was ist Python?.