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 бесплатную диагностику и пилотную индексацию. Закажите консультацию прямо сейчас.