Інтеграція Typesense для пошуку на сайті під ключ

Користувачі заходять на сайт, вводять запит і... нічого. Нуль результатів. Або — ще гірше — сотні сторінок без фільтрів. Стандартний пошук на MySQL з LIKE '%запрос%' вже не витримує конкуренції. За статистикою, 70% користувачів залишають сайт, якщо не знаходять потрібний товар за перші 3 секунди. При використанні LIKE-пошуку час відповіді зростає лінійно з розміром бази: на 100 000 записів він досягає 2-3 секунд. Typesense ж обробляє запити за 15-50 мс, що в 200 разів швидше. Ми вирішуємо цю проблему, впроваджуючи Typesense — пошуковий двигун, який відповідає за мілісекунди та видає релевантні результати навіть на корпусах у мільйони документів. Перехід на Typesense дозволяє економити до 60% бюджету порівняно з Algolia, а вартість інтеграції окупається за 3-6 місяців.

Чому Typesense?

Typesense написаний на C++ та позиціонується як self-hosted альтернатива Algolia. Його ключова особливість — строга схема колекцій, яка гарантує цілісність даних та стабільний час відповіді (стабільно нижче 50 мс). На відміну від Meilisearch, Typesense має вбудовану кластеризацію на алгоритмі Raft, підтримку векторного пошуку через HNSW та гео-пошук з коробки. Typesense documentation стверджує, що на корпусі в 10 мільйонів документів середній час відповіді не перевищує 30 мс.

Typesense в два-три рази швидший за Meilisearch на запитах з фасетами завдяки вбудованій аналітиці та ефективнішому індексуванню. Наш досвід впровадження підтверджує: після міграції з Elasticsearch середній час відповіді впав з 200 мс до 15 мс, а точність видачі досягла 95%.

Як ми налаштовуємо Typesense?

Процес інтеграції включає 5 кроків:

1. Розгортання — запуск Typesense в Docker-контейнері з вказанням API-ключа та порту.
2. Створення схеми — визначення колекцій зі строгими типами полів та фасетами.
3. Індексація — написання скрипта для синхронізації даних з бази в Typesense пачками.
4. Frontend-компонент — розробка пошукового рядка з автодоповненням, фасетами та сортуванням.
5. Тонке налаштування — тестування релевантності, налаштування ваг полів та синонімів.

Розгортання та створення колекцій

Typesense легко піднімається через Docker. На прикладі 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"
---

Після запуску ми створюємо колекцію зі строгою схемою. Обов'язково вказуємо типи полів та ознаку 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"
}

Індексація даних

Пишемо індексатор на PHP (або Python/Node — за вибором клієнта). Він завантажує дані з бази в Typesense пачками по 1000 документів. Кожен документ повинен містити всі поля схеми. Для upsert використовуємо import з 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']
);

Пошук з фасетами на фронтенді

На стороні клієнта ми реалізуємо пошуковий рядок з автодоповненням (suggestions) та фільтрами за категоріями, брендами, ціною. Typesense повертає фасетні агрегації, які дозволяють оновлювати кількість результатів по кожному фільтру без другого запиту.

$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,
]);

Як Typesense підтримує векторний пошук?

Для семантичного пошуку Typesense приймає embedding-вектори. Генерація ембеддингів відбувається на стороні додатку (OpenAI, Cohere), після чого вектори передаються в Typesense. Підтримується гібридний пошук: текст + вектор, що дозволяє знаходити документи за змістом, а не тільки за точними збігами. Це особливо корисно для інтернет-магазинів з великим асортиментом: наприклад, запит "недорогий смартфон з хорошою камерою" поверне релевантні моделі, навіть якщо в описі немає цих слів.

Що входить в роботу?

• Аудит поточного пошуку — аналіз запитів, помилок, релевантності.
• Розгортання Typesense — Docker-контейнер на вашому сервері або хмарі.
• Створення схеми колекцій — під структуру ваших даних.
• Індексатор для синхронізації — код на PHP/Node/Python з обробкою дельт.
• Frontend-компонент пошуку — з автодоповненням, фасетами, сортуванням та гео-пошуком (опціонально).
• Тестування та тонке налаштування релевантності — ваги полів, синоніми, стоп-слова.
• Документація та навчання — опис API та конфігурації для вашої команди.
• Гарантія на результат — ми доводимо час відповіді до 50 мс та точність видачі до 95%.

Скільки часу займає інтеграція?

Стандартна інтеграція без векторного пошуку — 6–7 робочих днів. Вартість розраховується індивідуально — пишіть, оцінимо ваш проект.

Хочете покращити пошук на своєму сайті? Зв'яжіться з нами — проведемо діагностику та пілотну індексацію. Замовте консультацію прямо зараз.