Big Data et NoSQL¶
À partir de 2009, un nouveau paradigme de stockage de données — le NoSQL — est apparu. Il proposait une alternative au SQL et au modèle relationnel afin de permettre un haut niveau de scalabilité et d’aider les entreprises de toutes tailles à exploiter le déluge de données (big data) qu’elles génèrent ou acquièrent.
Quinze ans plus tard, le paysage s’est stabilisé et partiellement rééquilibré. D’un côté, les bases relationnelles ont absorbé une bonne partie des apports du NoSQL (types JSON, réplication, partitionnement, extensions vectorielles), au point que PostgreSQL suffit à couvrir bien des besoins pour lesquels on aurait choisi une base NoSQL en 2012. De l’autre, les usages qui justifient réellement un moteur spécialisé se sont clarifiés : très gros volumes distribués (Cassandra), analytique temps réel (ClickHouse), graphes (Neo4j), cache et files d’attente (Redis, Valkey), recherche (Elasticsearch, OpenSearch, voir la section Moteurs de recherche), recherche vectorielle pour l’IA (Qdrant, Weaviate).
Dernier point d’attention, devenu central sur cette catégorie : les licences. Plusieurs éditeurs de bases NoSQL ont abandonné les licences libres au profit de licences dites source-available (SSPL, BSL), parfois suivies de forks communautaires. Les fiches ci-dessous signalent ces situations.
Apache Hadoop¶
- Site:
- Porteur:
une fondation (Apache)
- Licence:
Apache 2.0
Apache Hadoop est une plateforme Java pour développer des applications distribuées autour de jeux de données massifs. Hadoop comprend un nombre significatif de sous-projets, dont les plus fondamentaux sont MapReduce, framework de calcul distribué massivement parallèle, et HDFS, système de fichiers distribué qui permet l’accès à haut débit à des jeux de données massifs.
Plusieurs autres projets Apache viennent compléter Hadoop, comme ZooKeeper, qui coordonne la configuration des différents serveurs d’un cluster, ou Hive, qui expose les données sous forme de tables interrogeables en SQL.
Il faut toutefois mesurer le recul de cet écosystème : MapReduce a été supplanté par Apache Spark, HDFS par le stockage objet compatible S3 (MinIO, Ceph ou les offres des fournisseurs de cloud), et la consolidation du marché — fusion de Cloudera et Hortonworks, disparition de MapR — a tari une bonne partie de son élan. Les architectures actuelles combinent plutôt un stockage objet, des formats de tables ouverts (Apache Iceberg, Delta Lake) et des moteurs de requête comme Spark, Trino ou DuckDB. Hadoop reste pertinent pour les plateformes déjà en place et pour certains traitements par lots de très grande ampleur.
Hadoop est écrit en Java.
Apache Spark¶
- Site:
- Porteur:
une fondation (Apache)
- Licence:
Apache 2.0
Né en 2009 à l’université de Berkeley, confié à la fondation Apache en 2013, Spark est devenu le moteur de traitement de données distribué de référence, en remplacement de MapReduce dont il corrige le principal défaut : les traitements s’exécutent en mémoire, avec des gains d’un ordre de grandeur sur les charges itératives.
Spark propose une API unifiée pour le traitement par lots et en flux (Structured Streaming), en Scala, Java, Python (PySpark) et R, ainsi qu’un moteur SQL, une bibliothèque d’apprentissage automatique (MLlib) et un module de traitement de graphes. Il s’exécute indifféremment sur Kubernetes, YARN ou en local, et lit la plupart des sources de données, y compris les formats de tables ouverts (Iceberg, Delta Lake, Hudi).
Spark est écrit en Scala.
MongoDB¶
- Site:
- Porteur:
un éditeur (MongoDB Inc)
- Licence:
SSPL (Server Side Public License), non reconnue comme libre par l’OSI
MongoDB est une base de données « orientée documents » de la mouvance NoSQL permettant le stockage de documents au format BSON (une forme binaire de JSON).
Elle dispose de capacité à évoluer en environnement distribué via des mécanismes de réplication et de sharding. Son intégration particulièrement réussie avec la plupart des langages de programmation ainsi que sa documentation de qualité lui confèrent une popularité importante. MongoDB profite du fort regain d’intérêts pour les bases documentaires qui permettent de mieux coller aux environnements modernes qui se doivent de manipuler des données fortement hétérogènes et pour lesquels les SGBD relationnels ne sont pas nécessairement les plus adaptés.
La base de données est développée par la société MongoDB Inc, cotée en bourse depuis 2017.
Point de vigilance : MongoDB a quitté l’AGPL en octobre 2018 au profit de la SSPL, licence rédigée par l’éditeur et refusée par l”Open Source Initiative comme par plusieurs distributions Linux (Debian, Fedora et Red Hat ont retiré MongoDB de leurs dépôts). Elle reste utilisable sans restriction pour un usage interne, mais interdit en pratique d’en faire un service hébergé sans publier l’intégralité de son infrastructure. Les projets attachés à une licence libre lui préféreront PostgreSQL et son type JSONB, ou FerretDB (https://docs.ferretdb.io/), qui réimplémente l’API MongoDB au-dessus de PostgreSQL sous licence Apache 2.0.
MongoDB est écrit en C++.
NEO¶
- Site:
- Porteur:
un éditeur (Nexedi)
- Licence:
GPL 2.0
NEO est une base de données objet qui est la fois transactionnelle, répartie et redondante. NEO a fait l’objet d’un projet de recherche conjoint de Nexedi, Pilot Systems, l’Université de Paris 13 et l’Université de Paris 6. La cohérence transactionnelle de NEO sur un cluster de stockage réparti a ainsi pu être démontrée ce qui ouvre la voie à une application des technologes NoSQL aux systèmes de paiements et aux systèmes bancaires.
NEO est écrit en Python et en C.
Redis¶
- Site:
- Porteur:
un éditeur (Redis Ltd)
- Licence:
AGPL v3, RSALv2 ou SSPLv1 au choix, depuis Redis 8 (2025)
Redis est un entrepôt de données clé-valeur en mémoire, issu de la mouvance NoSQL. La première version a été publiée en 2009 par Salvatore Sanfilippo.
Son originalité tient à la richesse de ses structures de données — chaînes, listes, ensembles, ensembles ordonnés, tables de hachage, flux, compteurs probabilistes — qui lui permettent d’aller bien au-delà des opérations CRUD des autres entrepôts clé-valeur. On y accède par un protocole binaire simple (RESP) et non par HTTP. Ses excellentes performances en lecture comme en écriture en font le choix par défaut pour un cache, un magasin de sessions, une file d’attente de travaux ou un système de publication/abonnement.
Attention à l’histoire mouvementée de sa licence : Redis a quitté la licence BSD en mars 2024 pour un double modèle RSALv2 / SSPLv1, non reconnu comme libre. La Linux Foundation a aussitôt lancé Valkey (https://valkey.io/), fork de Redis 7.2.4 resté sous licence BSD, soutenu par AWS, Google Cloud, Oracle et Ericsson, et adopté depuis par la plupart des distributions Linux. Redis Ltd a partiellement corrigé le tir en ajoutant l’AGPL v3 comme troisième option à partir de Redis 8 (mai 2025). Les deux projets coexistent désormais, avec une compatibilité qui devrait s’éroder au fil des versions.
Redis est écrit en C.
Apache Cassandra¶
- Site:
- Porteur:
une fondation (Apache)
- Licence:
Apache 2.0
Cassandra est une autre base de données de la mouvance NoSQL. Initialement développée par Facebook en 2008, elle a été par la suite libérée et son développement est aujourd’hui assuré par la fondation Apache.
Cassandra est une base de données dite « orientée colonne ». Etudiée pour des déploiements massivement distribués (éventuellement sur plusieurs datacenters), Cassandra est l’une des bases les plus performantes dès lors qu’il s’agit de répondre à des problématiques de traitement de données massif. Son architecture complètement décentralisée lui confère par ailleurs une résistance à la panne très importante. Comme la plupart des bases orientées colonnes, elle est par ailleurs particulièrement adaptée aux problématiques décisionnelles.
Cassandra est écrit en Java.
CouchDB¶
- Site:
- Porteur:
une fondation (Apache)
- Licence:
Apache 2.0
Apache CouchDB est une base de données NoSQL orientée documents qui utilise JSON pour le stockage des données, JavaScript pour les requêtes MapReduce et HTTP pour une API RESTful. CouchDB est conçue pour être hautement disponible et partitionnée, ce qui la rend adaptée pour des applications distribuées. CouchDB offre également des capacités de synchronisation, ce qui permet une utilisation efficace dans des environnements déconnectés.
CouchDB est écrit en Erlang.
HBase¶
- Site:
- Porteur:
une fondation (Apache)
- Licence:
Apache 2.0
Apache HBase est une base de données NoSQL orientée colonnes qui est construite sur le système de fichiers distribué Hadoop (HDFS). HBase est conçu pour fournir un accès aléatoire en temps réel à de grandes quantités de données structurées. Il est particulièrement utilisé pour les applications nécessitant des opérations de lecture/écriture fréquentes sur des ensembles de données volumineux. HBase est souvent comparé à Google Bigtable et est utilisé dans des environnements nécessitant une haute scalabilité et performance.
HBase est écrit en Java.
RavenDB¶
- Site:
- Porteur:
une entreprise (Hibernating Rhinos Ltd.)
- Licence:
Affero GPL
RavenDB est une base de données NoSQL orientée documents, conçue pour être facile à utiliser et à déployer. Elle offre des fonctionnalités avancées telles que l’indexation automatique, les requêtes full-text, la réplication entre nœuds, et la haute disponibilité. RavenDB propose également une API RESTful et des SDK pour plusieurs langages de programmation, ce qui facilite son intégration dans diverses applications.
RavenDB est écrit en C#.
OrientDB¶
- Site:
- Porteur:
une communauté, après le rachat d’OrientDB Ltd par SAP
- Licence:
Apache 2.0
OrientDB est une base de données multi-modèles qui prend en charge les modèles de données orientés graphes, documents, clé/valeur et objets. Cette polyvalence permet à OrientDB de répondre à une large gamme de besoins applicatifs. Elle est conçue pour être hautement performante et scalable, avec des fonctionnalités avancées telles que la gestion des transactions ACID, la réplication, et la sharding.
OrientDB est écrit en Java.
Neo4j¶
- Site:
- Porteur:
une entreprise (Neo4j, Inc.)
- Licence:
GNU Affero General Public License (AGPL)
Neo4j est une base de données orientée graphes, conçue pour stocker et gérer des données fortement connectées. Elle est particulièrement adaptée aux applications nécessitant une navigation et une exploration efficaces des relations entre les données, telles que les réseaux sociaux, la détection de fraudes, et la gestion de réseaux IT. Neo4j offre un langage de requête graphique appelé Cypher, qui permet de formuler des requêtes complexes de manière intuitive.
Neo4j est écrit en Java.
ArangoDB¶
- Site:
- Porteur:
une entreprise (ArangoDB GmbH)
- Licence:
BSL 1.1 (Business Source License, source-available) depuis la version 3.12
ArangoDB est une base de données multi-modèles qui prend en charge les modèles orientés documents, graphes et clé-valeur. Cette flexibilité permet de travailler avec plusieurs types de données au sein d’un même moteur. ArangoDB propose un langage de requête propre, AQL, et prend en charge les transactions ACID, la réplication et le partitionnement. Comme plusieurs de ses concurrents, l’éditeur a quitté la licence Apache 2.0 pour la Business Source License : le code reste consultable et utilisable, mais la licence n’est plus libre au sens de l’OSI avant l’expiration du délai de conversion.
ArangoDB est écrit en C++.
JanusGraph¶
- Site:
- Porteur:
une fondation (The Linux Foundation)
- Licence:
Apache 2.0
JanusGraph est une base de données orientée graphes distribuée et évolutive, dérivée de Titan. Elle est conçue pour la gestion de graphes massifs contenant des milliards de sommets et d’arêtes, et pour répondre aux requêtes en temps quasi réel. JanusGraph supporte plusieurs moteurs de stockage backend comme Apache Cassandra, HBase, Google Bigtable, et Oracle BerkeleyDB. Elle offre des fonctionnalités avancées telles que les transactions ACID, la réplication multi-région, et l’intégration avec des systèmes analytiques comme Hadoop et Spark.
JanusGraph est écrit en Java.
ClickHouse¶
- Site:
- Porteur:
une entreprise (ClickHouse, Inc.)
- Licence:
Apache 2.0
Développée à l’origine chez Yandex pour ses besoins d’analyse d’audience et publiée en 2016, ClickHouse est une base de données orientée colonnes conçue pour l’analytique temps réel sur de très gros volumes.
Ses performances sur les requêtes d’agrégation, souvent supérieures d’un ou deux ordres de grandeur à celles des moteurs relationnels classiques, en ont fait le choix de référence pour les entrepôts analytiques, l’exploitation de journaux, l’observabilité et les tableaux de bord temps réel. Elle est compatible SQL, se déploie aussi bien sur une seule machine que sur un cluster, et lit directement des données stockées en objet (S3, Parquet).
ClickHouse est écrit en C++.
