Elasticsearch

Полнотекстовый поиск PostgreSQL достаточен при датасете до 5–10 миллионов строк, простых keyword-запросах с базовым ранжированием и желании не добавлять новый компонент инфраструктуры. Он хорошо работает с tsvector/tsquery и GIN-индексами. Elasticsearch становится необходим, когда нужна тонкая настройка релевантности (field boosting, function scoring), когда пользователи ожидают исправления опечаток и подсказки «возможно, вы имели в виду», когда нужна фасетная навигация с подсчётом фильтров в реальном времени, или когда датасет превышает десятки миллионов документов. Elasticsearch также силён в мультиязычном поиске с анализаторами для каждого языка, автодополнении и near-real-time индексации. Для e-commerce поиска по каталогу товаров — с опечатками, синонимами и фасетами — Elasticsearch является отраслевым стандартом. Операционные накладные расходы (JVM-тюнинг, управление шардами, планирование ёмкости) — компромисс, поэтому мы рекомендуем его только когда возможности поиска PostgreSQL действительно недостаточны.

Elasticsearch масштабируется горизонтально, распределяя данные по шардам между нодами кластера. Каждый индекс делится на primary-шарды (обрабатывают запись) и replica-шарды (обслуживают чтение и обеспечивают отказоустойчивость). Добавление нод запускает автоматическую ребалансировку шардов, увеличивая ёмкость и пропускную способность без даунтайма. Для высокой доступности мы настраиваем минимум три master-eligible ноды для предотвращения split-brain, размещаем ноды в нескольких зонах доступности и задаём replica count, чтобы потеря целой зоны не привела к потере данных. Размер шарда критичен: мы ориентируемся на 20–40 ГБ как оптимальный баланс между производительностью и скоростью восстановления. ILM-политики автоматически ротируют time-series индексы, переносят холодные данные на дешёвые tier и удаляют просроченные. Cross-cluster replication обеспечивает disaster recovery между регионами. В продакшене мы обслуживали кластеры на 50+ нод с 500+ запросов в секунду по миллиардам документов при p99 под 200мс.

Стоимость Elasticsearch зависит от объёма данных, сложности запросов и требований к доступности. Кластер из трёх нод на AWS (r6g.xlarge — 4 vCPU, 32 ГБ RAM, gp3 EBS) для 50–200 млн документов обходится в ~$1 200–$2 000/мес. Elastic Cloud (управляемый сервис) начинается от ~$200/мес для лёгких нагрузок и масштабируется до $5 000–$15 000/мес для высоконагруженных кластеров с мульти-AZ. Основные драйверы стоимости: память (Elasticsearch на JVM, оптимален с heap до 30 ГБ), I/O хранилища (особенно для write-heavy логирования) и количество реплик (каждая удваивает объём хранилища). Для логирования Elastic предлагает serverless-тарификацию по объёму загрузки и поиска. OpenSearch (форк AWS) — альтернатива, снижающая лицензионные расходы для организаций, не нуждающихся в проприетарных ML и security-фичах Elastic. В России кластеры часто размещают на Yandex Cloud или собственных серверах для контроля расходов.

Typesense и Meilisearch — лёгкие поисковые движки, спроектированные для простоты и удобства разработчика, тогда как Elasticsearch — полнофункциональная распределённая платформа поиска и аналитики. Typesense написан на C++, даёт instant search с исправлением опечаток из коробки, потребляет значительно меньше памяти и идеален для датасетов до 100 млн документов. Meilisearch предлагает аналогичный developer-friendly опыт с REST API и отличной документацией. Преимущества Elasticsearch: масштаб (миллиарды документов в распределённых кластерах), аналитические возможности (агрегации, pipeline processing, визуализация в Kibana), глубина query DSL и экосистема логирования (ELK-стек). Для стартапа с поиском по каталогу до 10 млн товаров Typesense или Meilisearch доведут до продакшена быстрее и с меньшими операционными затратами. Для enterprise-поиска по множеству источников, лог-аналитики и сложной настройки релевантности Elasticsearch остаётся стандартом.

Экосистема Elasticsearch в 2026 году разделена между коммерческими продуктами Elastic и open-source форком OpenSearch от AWS. Elastic сфокусировалась на «Elastic Search AI Platform»: интеграция векторного поиска для семантических запросов, ELSER (Elastic Learned Sparse Encoder) для гибридной релевантности и RAG-workflow, сочетающие BM25 с векторными эмбеддингами. Elasticsearch 8.x добавил нативный kNN-поиск, став альтернативой специализированным векторным базам для многих сценариев. Kibana остаётся основным инструментом визуализации с Lens-дашбордами и Elastic Observability для APM. OpenSearch 2.x поспевает за большинством функций Elasticsearch и развивает собственные ML-возможности. В более широкой экосистеме: Vespa (от Yahoo, сильна для рекомендаций), Qdrant и Weaviate (vector-native базы), Typesense и Meilisearch для простых сценариев. Клиентские библиотеки доступны для всех основных языков, а Python-клиент особенно популярен в data engineering.