Интеграция Typesense для поиска на сайте под ключ

Пользователи приходят на сайт, вводят запрос и... ничего. Ноль результатов. Или — ещё хуже — сотни страниц без фильтров. Стандартный поиск на MySQL с LIKE '%запрос%' уже не выдерживает конкуренции. По статистике, 70% пользователей покидают сайт, если не находят нужный товар за первые 3 секунды. При использовании LIKE-поиска время ответа растёт линейно с размером базы: на 100 000 записей оно достигает 2-3 секунд. Typesense же обрабатывает запросы за 15-50 мс, что в 200 раз быстрее. Мы решаем эту проблему, внедряя Typesense — поисковый движок, который отвечает за миллисекунды и выдаёт релевантные результаты даже на корпусах в миллионы документов. Переход на Typesense позволяет экономить до 60% бюджета по сравнению с Algolia, а стоимость интеграции окупается за 3-6 месяцев.

Почему Typesense?

Typesense написан на C++ и позиционируется как self-hosted альтернатива Algolia. Его ключевая особенность — строгая схема коллекций, которая гарантирует целостность данных и стабильное время ответа (стабильно ниже 50 мс). В отличие от Meilisearch, Typesense имеет встроенную кластеризацию на алгоритме Raft, поддержку векторного поиска через HNSW и гео-поиск из коробки. Typesense documentation утверждает, что на корпусе в 10 миллионов документов среднее время ответа не превышает 30 мс.

Typesense в два-три раза быстрее Meilisearch на запросах с фасетами благодаря встроенной аналитике и более эффективному индексированию. Наш опыт внедрения подтверждает: после миграции с Elasticsearch среднее время ответа упало с 200 мс до 15 мс, а точность выдачи достигла 95%.

Как мы настраиваем Typesense?

Процесс интеграции включает 5 шагов:

1. Развёртывание — запуск Typesense в Docker-контейнере с указанием API-ключа и порта.
2. Создание схемы — определение коллекций со строгими типами полей и фасетами.
3. Индексация — написание скрипта для синхронизации данных из базы в Typesense пачками.
4. Frontend-компонент — разработка поисковой строки с автодополнением, фасетами и сортировкой.
5. Тонкая настройка — тестирование релевантности, настройка весов полей и синонимов.

Развёртывание и создание коллекций

Typesense легко поднимается через Docker. На примере docker-compose.yml:

# docker-compose.yml services:
  typesense:
    image: typesense/typesense:0.25.2
    command: >
      --data-dir /data
      --api-key=${TYPESENSE_API_KEY}
      --listen-port=8108
      --enable-cors
    volumes:
      - typesense_data:/data
    ports:
      - "8108:8108"

После запуска мы создаём коллекцию со строгой схемой. Обязательно указываем типы полей и признак фасета:

{
  "name": "products",
  "fields": [
    {
      "name": "id",
      "type": "string"
    },
    {
      "name": "name",
      "type": "string"
    },
    {
      "name": "description",
      "type": "string"
    },
    {
      "name": "price",
      "type": "float",
      "facet": true
    },
    {
      "name": "category",
      "type": "string",
      "facet": true
    },
    {
      "name": "brand",
      "type": "string",
      "facet": true
    },
    {
      "name": "in_stock",
      "type": "bool",
      "facet": true
    },
    {
      "name": "rating",
      "type": "float",
      "optional": true
    },
    {
      "name": "location",
      "type": "geopoint",
      "optional": true
    }
  ],
  "default_sorting_field": "rating"
}

Индексация данных

Пишем индексатор на PHP (или Python/Node — по выбору клиента). Он загружает данные из базы в Typesense пачками по 1000 документов. Каждый документ должен содержать все поля схемы. Для upsert используем import с action 'upsert':

$documents = $products->map(fn($p) => [
    'id' => (string) $p->id,
    'name' => $p->name,
    'price' => (float) $p->price,
    'category' => $p->category->slug,
    'in_stock' => $p->stock > 0,
])->toArray();

$client->collections['products']->documents->import(
    $documents,
    ['action' => 'upsert']
);

Поиск с фасетами на фронтенде

На стороне клиента мы реализуем поисковую строку с автодополнением (suggestions) и фильтрами по категориям, брендам, цене. Typesense возвращает фасетные агрегации, которые позволяют обновлять количество результатов по каждому фильтру без второго запроса.

$results = $client->collections['products']->documents->search([
    'q' => $query,
    'query_by' => 'name,description,brand',
    'query_by_weights' => '3,1,2',
    'filter_by' => 'in_stock:true && price:[100..5000]',
    'facet_by' => 'category,brand,price',
    'max_facet_values' => 20,
    'sort_by' => 'rating:desc',
    'per_page' => 20,
    'page' => 1,
]);

Как Typesense поддерживает векторный поиск?

Для семантического поиска Typesense принимает embedding-векторы. Генерация эмбеддингов происходит на стороне приложения (OpenAI, Cohere), после чего векторы передаются в Typesense. Поддерживается гибридный поиск: текст + вектор, что позволяет находить документы по смыслу, а не только по точным совпадениям. Это особенно полезно для интернет-магазинов с большим ассортиментом: например, запрос "недорогой смартфон с хорошей камерой" вернёт релевантные модели, даже если в описании нет этих слов.

Что входит в работу?

• Аудит текущего поиска — анализ запросов, ошибок, релевантности.
• Развёртывание Typesense — Docker-контейнер на вашем сервере или облаке.
• Создание схемы коллекций — под структуру ваших данных.
• Индексатор для синхронизации — код на PHP/Node/Python с обработкой дельт.
• Frontend-компонент поиска — с автодополнением, фасетами, сортировкой и гео-поиском (опционально).
• Тестирование и тонкая настройка релевантности — веса полей, синонимы, стоп-слова.
• Документация и обучение — описание API и конфигурации для вашей команды.
• Гарантия на результат — мы доводим время ответа до 50 мс и точность выдачи до 95%.

Сколько времени занимает интеграция?

Стандартная интеграция без векторного поиска — 6–7 рабочих дней. Стоимость рассчитывается индивидуально — пишите, оценим ваш проект.

Хотите улучшить поиск на своём сайте? Свяжитесь с нами — проведём диагностику и пилотную индексацию. Закажите консультацию прямо сейчас.