apache cassandra

Arquitectura

Características Clave

  • Distribuida y descentralizada
    • No existe un single point of failure.
    • Todos los nodos del clúster tienen el mismo rol (arquitectura peer-to-peer).
  • Escalabilidad horizontal real
    • Añadir nodos incrementa capacidad y rendimiento sin reconfiguración centralizada.
  • Alta disponibilidad
    • Uso intensivo de replicación entre nodos y datacenters.
  • Consistencia ajustable
    • Permite elegir nivel de consistencia por operación (tuneable consistency).

Componentes Principales

  • Nodo: unidad básica de almacenamiento y cómputo.
  • Clúster: conjunto de nodos funcionando como un sistema distribuido.
  • Keyspace: análogo a un esquema en sistemas relacionales.
  • Tabla (Column Family): colección de datos organizada en filas distribuidas.
  • Snitch: determina topología de red para optimizar replicación.
  • Replication Strategy
    • SimpleStrategy
    • NetworkTopologyStrategy

Modelo de Datos

Estilo Orientado a Columnas

Cassandra utiliza un modelo basado en column families optimizado para lecturas por clave y patrones de acceso definidos.

  • Clave de partición: define en qué nodo se almacena la fila.
  • Clave de clustering: define el orden dentro de la partición.
  • Filas anchas: Cassandra es especialmente eficiente para modelos wide-row.

Diseño Basado en Consultas

El diseño del modelo de datos en Cassandra se basa en las consultas previstas:

  • No se normaliza; se desnormaliza para optimizar velocidad.
  • Las tablas son altamente específicas para cada patrón de acceso.

Consistencia y Replicación

Niveles de Consistencia

  • ONE
  • QUORUM
  • ALL
  • LOCAL_QUORUM
  • EACH_QUORUM
  • ANY (solo escritura)

Replicación

  • Replicación síncrona/asíncrona entre nodos.
  • Diseño multi-datacenter extremadamente maduro.

Particionamiento y Distribución

Particionamiento por Hash

  • Hash de la clave de partición mediante el partitioner.
  • Distribución uniforme para evitar hotspots.

Estrategias de Topología

  • SimpleStrategy
  • NetworkTopologyStrategy (recomendada en producción)

Operaciones y Rendimiento

Ventajas

  • Escrituras extremadamente rápidas (log-structured merge trees).
  • Lecturas consistentes y eficientes con índices internos.
  • Muy robusta en entornos con fallos de red o hardware.

Limitaciones

  • No soporta JOINs ni transacciones complejas (solo lightweight transactions).
  • Requiere modelado cuidadoso y entendimiento del patrón de acceso.
  • No apto para consultas analíticas complejas sin herramientas externas.

Query Language (CQL)

Conceptos de CQL

Cassandra Query Language es similar a SQL, pero:

  • No hay JOINs.
  • No hay subconsultas complejas.
  • Las consultas deben respetar índices y claves de partición.

DDL Básico

CREATE KEYSPACE mi_keyspace
WITH replication = {
	'class': 'NetworkTopologyStrategy',
	'datacenter1': '3'
};

CREATE TABLE usuarios (
	id UUID,
	nombre TEXT,
	email TEXT,
	PRIMARY KEY (id)
);

`

DML Básico

INSERT INTO usuarios (id, nombre, email)
VALUES (uuid(), 'Ana', 'ana@example.com');

SELECT * FROM usuarios WHERE id = 1234;

Casos de Uso

  • Sistemas con altísimos volúmenes de escritura.
  • Sistemas distribuidos globalmente con replicación entre datacenters.
  • Time-series data.
  • IoT y telemetría.
  • Mensajería y plataformas sociales.
  • Motores de recomendación y análisis en tiempo real.

Operación en Docker

Ejemplo de docker-compose

version: '3'
services:
	cassandra:
		image: cassandra:latest
		container_name: cassandra
		environment:
			- CASSANDRA_CLUSTER_NAME=cluster_local
			- CASSANDRA_NUM_TOKENS=16
		ports:
			- "9042:9042"
		volumes:
			- ./data:/var/lib/cassandra

Comparación con Otros Sistemas

Cassandra vs HBase

  • Cassandra es completamente peer-to-peer.
  • HBase depende de Hadoop + HDFS.
  • Cassandra tiene latencias más bajas en escrituras.
  • HBase puede ser más apto para analítica con Hadoop.

Cassandra vs RDBMS

  • Sin transacciones ACID complejas.
  • No hay JOINs.
  • Mucho más escalable horizontalmente.
  • Modelo de datos totalmente distinto (basado en consultas).

Buenas Prácticas

  • Modelar siempre basándose en consultas.
  • Elegir cuidadosamente keys de partición.
  • Evitar particiones enormes.
  • Usar NetworkTopologyStrategy en producción.
  • Ajustar nivel de consistencia según necesidad.
  • Monitorizar con métricas internas (latencias, compaction, GC).

Herramientas Útiles

  • cqlsh
  • nodetool
  • Cassandra Reaper (reparaciones)
  • Prometheus + Grafana
  • Drivers oficiales (Java, Python, Node.js, Go)

Más Lenguajes Dentro del Ecosistema de CQL

DDL vs DML vs CQL

DDL (Data Definition Language)

Lenguaje para definir y modificar la estructura de los objetos de la base de datos.
En Cassandra, forma parte del conjunto de comandos disponibles dentro de CQL.

  • Crear, modificar o eliminar:
    • Keyspaces
    • Tablas
    • Índices
    • Tipos (UDTs)
  • Ejemplos:
CREATE KEYSPACE demo WITH replication = {'class': 'SimpleStrategy', 'replication_factor': 3};
CREATE TABLE usuarios (id UUID PRIMARY KEY, nombre TEXT);
ALTER TABLE usuarios ADD email TEXT;
DROP TABLE usuarios;

DML (Data Manipulation Language)

Lenguaje para manipular los datos dentro de las tablas.
Incluye operaciones de inserción, actualización, eliminación y lectura.

  • Operaciones principales:
    • INSERT
    • UPDATE
    • DELETE
    • SELECT
  • Ejemplos:
INSERT INTO usuarios (id, nombre) VALUES (uuid(), 'Ana');
SELECT * FROM usuarios WHERE id = 1234;
UPDATE usuarios SET nombre = 'Ana María' WHERE id = 1234;
DELETE FROM usuarios WHERE id = 1234;

CQL (Cassandra Query Language)

Lenguaje de consulta propio de Cassandra, inspirado en SQL pero adaptado al modelo distribuido y orientado a columnas.

  • Incluye DDL, DML y elementos adicionales específicos de Cassandra.
  • Restricciones importantes:
    • No hay JOINs.
    • No hay subconsultas complejas.
    • Las consultas deben seguir el modelo de datos (clave de partición + clustering).
  • Ejemplo general:
CREATE TABLE sensores (
	device_id TEXT,
	ts TIMESTAMP,
	lectura DOUBLE,
	PRIMARY KEY (device_id, ts)
);

SELECT * FROM sensores WHERE device_id = 'A1' AND ts > '2025-01-01';

Resumen Comparativo

  • DDL: define la estructura de la base de datos.
  • DML: manipula los datos almacenados.
  • CQL: es el lenguaje completo que engloba ambos y añade capacidades específicas para Cassandra.

DCL (Data Control Language)

En Cassandra no existe DCL como tal, pero sí hay comandos para gestionar roles, permisos y autenticación, que se consideran equivalentes.

Comandos Principales

  • CREATE ROLE
  • GRANT
  • REVOKE
  • DROP ROLE
  • LIST ROLES

Ejemplo

CREATE ROLE admin WITH PASSWORD = '1234' AND SUPERUSER = true AND LOGIN = true;

GRANT SELECT ON KEYSPACE demo TO usuario1;

REVOKE MODIFY ON KEYSPACE demo FROM usuario1;

DROP ROLE usuario1;

`

TCL (Transaction Control Language)

En Cassandra no existen transacciones complejas como en sistemas ACID tradicionales. Sin embargo, sí hay un mecanismo parcial: Lightweight Transactions (LWT).

Características

  • Basadas en Compare-and-Set (CAS).
  • Garantizan serialización para una única fila.
  • Útiles para asegurar unicidad o actualizaciones condicionadas.

Ejemplo (IF EXISTS / IF NOT EXISTS)

INSERT INTO usuarios (id, email)
VALUES (1, 'a@a.com')
IF NOT EXISTS;

UPDATE usuarios
SET email = 'nuevo@a.com'
WHERE id = 1
IF email = 'a@a.com';

DQL (Data Query Language)

En SQL se diferencia a veces DML (manipulación) de DQL (solo lectura). En Cassandra SELECT forma parte de DML, pero conceptualmente puede separarse.

Ejemplo

SELECT nombre, email
FROM usuarios
WHERE id = 1;

Lenguajes y Categorías Adicionales en Cassandra

Schema Management Interno

Cassandra maneja internamente:

  • Metadata schema
  • Propagation del schema entre nodos

  • Sin equivalente explícito a SQL “system catalogs”, pero se accede mediante:

    • DESCRIBE TABLE
    • DESCRIBE KEYSPACE
    • system_schema.*

Comandos de Administración Especiales

No son DDL/DML pero forman parte del ecosistema:

Consultas al schema

DESCRIBE KEYSPACE demo;
DESCRIBE TABLE demo.usuarios;

Gestión de índices

CREATE INDEX idx_email ON usuarios(email);
DROP INDEX idx_email;

User Defined Types (UDT)

CREATE TYPE direccion (
	calle TEXT,
	numero INT
);

ALTER TYPE direccion ADD codigo_postal INT;

User Defined Functions (UDF) y Aggregates

  • Permiten lógica en el servidor (no recomendadas para cargas críticas).
CREATE FUNCTION sumar(a int, b int)
RETURNS NULL ON NULL INPUT
RETURNS int
LANGUAGE java
AS 'return Integer.valueOf(a + b);';

Resumen Ampliado

Categoría Existe en Cassandra Descripción
DDL ✔ Estructura de keyspaces, tablas, índices, UDTs.
DML ✔ INSERT, UPDATE, DELETE, SELECT.
DQL Parcial Lecturas (SELECT), aunque oficialmente parte de DML.
DCL ✔ Gestión de roles y permisos.
TCL Parcial Solo LWT (IF EXISTS, IF NOT EXISTS).
UDF/UDA ✔ Funciones definidas por el usuario.
Admin Commands ✔ DESCRIBE, ALTER, schema metadata.