# Manticore Search в Microsoft Azure: история DX1 Как DX1 использует Manticore Search на виртуальных машинах Azure для обеспечения быстрого автодополнения по более чем 20 млн деталей, с минимальными операциями и простым масштабированием. ``` TL;DR: - DX1 uses Manticore Search for customer and parts search with a fast typeahead UX - Chosen for open-source licensing and speed - Deployed on Azure VMs running Ubuntu, aligned with DX1’s existing Azure footprint - Handles 20M+ parts; best typeahead performance requires indexes in memory - Scales by upgrading VM memory or adding nodes to a Manticore cluster - Day-to-day operations are low touch and low maintenance ``` --- ## Контекст Эта статья основана на прямом вкладе [Damir Tresnjo](https://theorg.com/org/dx1/org-chart/damir-tresnjo) из [DX1](https://www.dx1app.com/). В ней описывается, как DX1 использует Manticore Search в продакшене на Microsoft Azure сегодня, с акцентом на том, почему они выбрали Manticore, как они его развертывают и чему они научились относительно производительности и масштабирования. --- ## DX1 в одном абзаце DX1 использует Manticore Search как быстрый пользовательский слой поиска для клиентов и каталог деталей, который вырос более чем до 20 миллионов записей. Настройка намеренно проста: Manticore работает на виртуальных машинах Azure на базе Ubuntu вместе с остальной инфраструктурой Azure, обеспечивая отзывчивое автодополнение при «минимальном» вмешательстве в эксплуатацию. По мере роста данных и трафика они масштабируются простым способом, увеличивая размеры ВМ или добавляя новые узлы. --- ## Поиск, который действительно нравится клиентам DX1 использует Manticore Search для обеспечения поиска по данным клиентов и деталей. Автодополнение является ключевой частью опыта, и, по словам Дамира, это одна из самых ценных функций для их пользователей. > **“Мы используем его для поиска по данным клиентов и деталей, у нас есть функция автодополнения, которую наши клиенты любят.”** Это практический пользовательский сценарий, где важны миллисекунды, и он сформировал как инфраструктурные, так и операционные решения. Если вы исследуете автодополнение в Manticore, существует несколько способов реализации в зависимости от данных и требований к UX. Для более глубокого погружения см. наш обзор нечеткого поиска и автодополнения: [Новый нечеткий поиск и автодополнение](https://manticoresearch.com/blog/new-fuzzy-search-and-autocomplete/). --- ## Почему DX1 выбрал Manticore Search Решение использовать Manticore Search было очевидным: он открытый и быстрый. > **“Открытый и очень быстрый.”** Это сочетание сделало его подходящим для нагрузки поиска DX1 и их ожиданий по стоимости, при этом стек оставался доступным для небольшой команды. --- ## Развертывание на виртуальных машинах Azure DX1 размещает всю свою инфраструктуру в Azure, поэтому развертывание Manticore там было естественным выбором. Команда запускает Manticore Search на виртуальных машинах Azure, используя Ubuntu. > **“Мы запускаем всё в Azure, поэтому развернули Manticore и здесь.”** Специальные дорогие управляемые сервисы Azure не требовались; ВМ предоставляли необходимую гибкость, оставаясь согласованными с остальной средой. --- ## Производительность, память и масштаб Manticore был быстрым и стабильным для DX1, даже при большом масштабе. Их производственный набор данных включает более 20 миллионов деталей. > **“Он работает очень быстро, у нас более 20 миллионов деталей, по которым мы ищем.”** Одним из практических соображений является память. Производительность автодополнения выигрывает от того, что индексы находятся в памяти, что означает, что память ВМ может потребоваться увеличить вместе с индексом. > **“Для производительности автодополнения база должна находиться в памяти. Как только индекс превышает доступную память, нам нужно увеличить память ВМ.”** Это создает четкий путь масштабирования: увеличивать память на существующих ВМ или добавлять новые узлы в кластер. > **“Мы можем масштабировать каждую ВМ или добавить больше ВМ в кластер Manticore.”** --- ## Операционная деятельность Операционно DX1 описывает Manticore как минимальное вмешательство и низкое обслуживание. > **“Минимальное вмешательство, низкое обслуживание, большую часть времени он просто работает.”** Нет специальных функций Azure; настройка преднамеренно проста, сосредоточена на ВМ и предсказуемой эксплуатации. --- ## Рекомендация DX1 порекомендовал бы Manticore Search другим командам, ищущим быстрый и экономичный поисковый движок. > **“Да, я бы порекомендовал Manticore каждому, кто ищет быстрый, надежный и экономичный поисковый движок.”** Для DX1 сочетание скорости, гибкости открытого кода и простого развертывания на ВМ в Azure стало надежной основой для поиска в масштабе. --- ## Заключение История DX1 подходит командам, которым нужен быстрый, надежный поисковый движок без превращения поисковой инфраструктуры в отдельный проект: запускайте Manticore на простых Linux‑ВМ, держите операции простыми и масштабируйте предсказуемо. Для низколатентного автодополнения особенно важно планировать достаточный запас ОЗУ, поэтому масштабирование часто начинается с памяти (scale up), а позже переходит к добавлению узлов (scale out) по мере роста данных и трафика. --- ## Свяжитесь с нами о миграции на Manticore Если вы рассматриваете миграцию на Manticore Search и хотите быстрый обзор архитектуры (например, развертывание на ВМ в Azure), [свяжитесь с нами](https://manticoresearch.com/contact/). Расскажите немного о размере вашего набора данных, шаблонах запросов и целевых задержках, и мы поможем вам подтвердить подход и спланировать дальнейшие шаги.