Quand un catalogue grossit, les lenteurs ne viennent pas seulement de la page catégorie : elles naissent souvent de requêtes produit trop larges, d’une pagination coûteuse et d’un cache appliqué sans distinguer les données publiques des données personnelles. Optimiser les requêtes produit et le cache consiste donc à réduire le travail de la base et des APIs avant de chercher à ajouter de la puissance serveur.
Pour une boutique PrestaShop, une agence ou une équipe e-commerce, l’objectif est simple : afficher les bons produits rapidement, sans servir un prix, un stock, un panier ou une personnalisation appartenant à un autre visiteur. La méthode repose sur quatre décisions liées entre elles : filtrer tôt, indexer selon les usages réels, paginer par curseur lorsque le parcours est profond, puis définir des règles de cache différentes pour les images, les listes, les stocks et les données utilisateur.
Réponse directe : les priorités pour optimiser les requêtes produit
Pour un catalogue volumineux, filtrez les produits dès la requête, indexez les champs utilisés dans les filtres et les tris, remplacez les pages profondes en OFFSET par une pagination par curseur quand c’est possible, et segmentez le cache selon la nature des données. Les images et contenus statiques peuvent être conservés plus longtemps ; les prix, les stocks et les données de panier exigent des règles bien plus prudentes.
Cette réponse donne une direction, mais elle ne remplace pas l’analyse des parcours. Une liste de produits n’est pas une ressource homogène : une catégorie publique, une recherche filtrée, un stock instantané et un panier utilisent des données, des clés de cache et des exigences de fraîcheur différentes.
- Réduire le jeu de résultats avant de charger, agréger ou transmettre les produits.
- Rendre les accès prévisibles grâce à des index cohérents avec les clauses de filtrage et de tri.
- Éviter les déplacements inutiles dans de très grands résultats avec une pagination adaptée.
- Mettre en cache sans mélanger les contextes : contenu public, données variables et informations privées ne suivent pas la même politique.
Partir des parcours catalogue plutôt que d’un simple SELECT
Une requête produit de grand catalogue ne doit pas être pensée comme un simple SELECT . Les recommandations disponibles sur les systèmes de recherche, les bases de données et les APIs convergent : la performance résulte d’un filtrage précoce, d’index ciblés, d’une pagination efficace et d’un cache séparé entre contenu statique et contenu dynamique.
Le premier travail consiste à identifier ce que l’écran, l’API ou le job de synchronisation doit réellement obtenir. Une page de listing n’a généralement pas besoin de tous les attributs d’un produit, de toutes ses déclinaisons, de son historique ou de l’ensemble de ses relations. Demander davantage de données que nécessaire alourdit la lecture, le traitement applicatif et la réponse réseau.
Découper les cas d’usage qui semblent similaires
Dans une boutique, le mot « produit » peut masquer plusieurs usages techniques. Ils doivent être séparés dans le diagnostic, car ils ne justifient ni la même requête ni le même TTL.
- La navigation par catégorie a besoin d’un ensemble public, ordonné, paginé et souvent filtré.
- La recherche interne a besoin d’un filtrage pertinent et peut retourner un volume très large si la requête est vague.
- La fiche produit privilégie un objet précis, ses médias, ses variantes et les informations nécessaires à l’achat.
- La synchronisation cherche une lecture stable, incrémentale et compatible avec les traitements en lot.
- Le panier, les promotions personnalisées ou les recommandations dépendent potentiellement du visiteur et ne sont pas de simples listes publiques.
Shopify recommande explicitement l’usage de l’endpoint products pour les grands catalogues, avec pagination et recherches enregistrées pour les requêtes fréquentes. Le même endpoint couvre navigation, recherche, tri, filtrage et synchronisation. Sans transposer mécaniquement une API à PrestaShop, le principe est utile : centraliser les besoins autour de mécanismes de requête cohérents évite de multiplier des chemins d’accès divergents et difficiles à optimiser.
Les recherches enregistrées sont surtout intéressantes lorsqu’une opération revient souvent avec les mêmes critères : export opérationnel, synchronisation d’un segment produit, contrôle de produits publiés ou alimentation d’un canal. Elles évitent de reconstruire sans cesse la logique métier côté client. Elles ne dispensent toutefois pas de vérifier les index ni de définir une stratégie de rafraîchissement pour les données qui évoluent.
Réduire les requêtes larges avant qu’elles ne deviennent un problème
Une recherche très générale peut retourner des milliers de produits. Google Cloud présente le filtrage conversationnel de produits comme une manière de réduire rapidement ce volume pour les requêtes larges. Même sans interface conversationnelle, la leçon est opérationnelle : guider le visiteur vers un critère utile réduit le nombre de résultats à parcourir, à trier et à afficher.
- Repérez les recherches ou catégories qui produisent les listes les plus étendues.
- Déterminez les filtres qui discriminent vraiment le catalogue : disponibilité, marque, famille, taille, prix ou attribut métier pertinent.
- Proposez ces filtres assez tôt dans le parcours, plutôt que de charger une liste immense puis de demander au visiteur de l’affiner.
- Limitez les champs renvoyés à ceux qui sont visibles dans la carte produit ou nécessaires au prochain appel.
Cette réduction est aussi une mesure de stabilité. Les gros ensembles de résultats peuvent dépasser des limites de cache ; BigQuery rappelle qu’une réponse en cache est limitée à environ 10 Go compressés et conseille de filtrer, d’utiliser LIMIT ou de matérialiser le résultat dans une table de destination. Le seuil précis ne définit pas une architecture e-commerce, mais le constat s’applique : un résultat démesuré n’est pas un bon candidat à une réponse cache générique.
Indexer les filtres et les tris qui structurent la recherche produit
Un index n’est pas un remède abstrait à toutes les lenteurs. Il est utile lorsqu’il correspond à la façon dont les données sont interrogées. MySQL explique qu’un index permet d’aller directement à la position utile sans parcourir toutes les données ; dans un catalogue, cette capacité est déterminante lorsque les tables et les combinaisons de critères deviennent importantes.
Commencez par observer les requêtes réellement exécutées dans les pages catalogue, les facettes, la recherche, les flux et les APIs. Cherchez les colonnes utilisées dans WHERE et ORDER BY, puis rapprochez-les de la structure des index existants. Le bon index dépend de la requête cible, pas du nom séduisant d’un champ ni d’une règle universelle.
Les critères à examiner en priorité
- Les colonnes qui déterminent quels produits peuvent apparaître : état de publication, catégorie, disponibilité ou autres filtres métier réellement utilisés.
- Les colonnes qui déterminent l’ordre : date, identifiant, prix ou ordre métier, selon le parcours.
- Les associations sollicitées pour construire les listes, notamment lorsque des jointures sont nécessaires pour filtrer ou trier.
- La stabilité de l’ordre : une pagination fiable nécessite un ordre déterministe, avec un critère de départage lorsque plusieurs produits ont la même valeur de tri.
Microsoft indique que des index adaptés aux colonnes présentes dans ORDER BY et WHERE accélèrent les requêtes de pagination. Cette observation est particulièrement importante si un visiteur passe de nombreuses pages ou si un système parcourt de gros volumes pour une synchronisation. L’index doit aider à trouver le début utile du parcours et à poursuivre la lecture dans le bon ordre.
Dans un environnement PrestaShop, il est préférable de relier chaque proposition d’index à une requête mesurée : une page catégorie donnée, un filtre précis, un endpoint d’intégration ou une tâche planifiée. Documentez la requête, l’ordre attendu, les filtres, la volumétrie observée et l’effet attendu. Cette discipline facilite la revue par l’équipe technique et évite d’accumuler des index qui ne servent à aucun parcours.
Accepter le coût des index
Les index accélèrent la lecture ciblée, mais ils ne sont pas gratuits : les écritures, les mises à jour et la maintenance doivent aussi les prendre en compte. C’est pourquoi il faut éviter l’indexation indiscriminée de chaque colonne. Le bon arbitrage est fondé sur la fréquence des requêtes, leur coût, leur valeur métier et la fréquence de modification des données concernées.
Une règle utile consiste à partir de la liste des requêtes lentes ou répétées, à formuler une hypothèse précise, puis à mesurer à nouveau après modification. Vérifiez aussi que l’optimisation ne modifie pas le résultat fonctionnel : une liste plus rapide mais mal triée, incomplète ou instable ne résout pas le problème e-commerce.
Remplacer l’OFFSET profond par une pagination par curseur
La pagination traditionnelle avec OFFSET est simple à comprendre : on demande une taille de page et un décalage. Elle devient coûteuse lorsque le décalage est profond, car le système doit traiter ou écarter un nombre croissant de lignes avant de fournir celles qui sont demandées. Microsoft recommande la pagination par clé, ou keyset pagination, pour de meilleures performances dans ce contexte.
La pagination par curseur ne demande pas « donnez-moi la page 500 ». Elle demande plutôt « donnez-moi les éléments suivants après cette position », où cette position représente la dernière valeur de tri déjà vue, accompagnée d’un identifiant de départage si nécessaire. Elle est particulièrement adaptée au défilement continu, aux APIs et aux parcours séquentiels dans un grand catalogue.
Quand la pagination par clé est pertinente
Elle apporte une valeur forte lorsque l’utilisateur ou le traitement avance dans une liste ordonnée, qu’il n’a pas besoin d’atteindre arbitrairement une page numérotée éloignée et que la requête peut s’appuyer sur un ordre stable. Par exemple, un parcours « produits suivants » trié par date puis identifiant est plus naturel à exprimer avec un curseur qu’avec un décalage très élevé.
Le curseur n’est pas seulement un détail d’interface. C’est un contrat entre le tri, l’index et l’API : si l’ordre n’est pas stable, la pagination ne l’est pas non plus.
Un curseur doit donc refléter les mêmes critères que l’ordre appliqué à la requête. Si l’ordre principal peut contenir des valeurs identiques, ajoutez une clé de départage afin d’éviter des doublons ou des produits sautés entre deux appels. Cette précaution est aussi importante lors des mises à jour du catalogue : sans ordre déterministe, les effets de bord deviennent difficiles à diagnostiquer.
Conserver une alternative lorsque le besoin l’impose
La pagination par pages numérotées peut rester nécessaire pour certains parcours : navigation où l’internaute attend un accès direct à une page donnée, contraintes de référencement ou conventions d’interface établies. Le point n’est pas d’interdire OFFSET, mais d’éviter de le traiter comme l’unique modèle, surtout pour les pages très éloignées.
Une approche pragmatique consiste à réserver les pages numérotées aux cas où elles ont une réelle valeur d’usage, et à employer un curseur pour les flux, la recherche à grand volume, l’administration ou le chargement progressif. Dans tous les cas, des index alignés sur le filtre et le tri restent nécessaires : changer de type de pagination ne compense pas une requête dont le chemin d’accès est mal préparé.
Définir une stratégie de cache par ressource et par niveau de fraîcheur
Le cache n’est pas un bouton unique. Une politique efficace décrit ce qui peut être conservé, pour combien de temps, à quel endroit et avec quelle clé. Microsoft Dynamics 365 Commerce distingue le cache des produits, images et contenus statiques du cache de page côté serveur pour les sites e-commerce. Cette séparation correspond aux besoins d’un catalogue : tous les éléments d’une page ne changent pas à la même vitesse.
Les images produit, les fichiers statiques et certains contenus publics sont souvent de bons candidats à une conservation plus agressive que les pages dynamiques. À l’inverse, un résultat de liste peut dépendre d’un filtre, d’un tri, d’une langue, d’une devise ou d’un contexte de disponibilité. Le mettre en cache sans décrire ces variations risque de produire une réponse incorrecte, même si le cache semble techniquement efficace.
Construire une matrice de décisions simple
- Médias et contenu statique : cache long lorsque les règles de publication et de versionnement le permettent.
- Fiches et listes publiques : cache possible, avec une clé qui représente les variations réellement servies et une invalidation ou un TTL cohérent avec les changements catalogue.
- Résultats de pagination : cache temporaire possible ; Microsoft recommande notamment de conserver le total des lignes pendant une période donnée afin d’éviter de le recompter à chaque requête, sans le garder indéfiniment.
- Prix et stock : données volatiles qui demandent des TTL courts et une attention renforcée à la cohérence.
- Panier et données privées : pas de traitement comme une liste produit publique.
AWS CloudFront recommande de séparer les comportements de cache par type de contenu, avec des TTL très différents selon les endpoints. Pour un chemin tel que /api/products/, AWS suggère d’inclure les paramètres de requête dans la clé de cache afin de prendre en charge la pagination et les filtres. Cette logique est essentielle : une réponse correspondant à une page, un tri ou une facette ne doit pas être réutilisée pour une autre combinaison.
Ne copiez pas des durées de vie comme des valeurs universelles. Elles doivent découler du rythme de changement des données, de la tolérance métier à une information légèrement ancienne et du mécanisme d’invalidation disponible. Les TTL très longs réduisent les sollicitations de l’origine, mais ils allongent aussi la période pendant laquelle une modification peut ne pas être visible.
Ne jamais confondre cache public, prix, stock et données personnelles
La frontière la plus importante n’est pas celle entre « API » et « page », mais celle entre une donnée réutilisable publiquement et une donnée liée à un utilisateur ou à son contexte. Google Cloud avertit de ne jamais mettre en cache les réponses de recherche produit personnalisées générées pour un visitor_id : une telle réutilisation peut montrer des résultats erronés à un autre utilisateur et créer un risque de fuite de données.
Ce risque concerne tout mécanisme qui dépend du visiteur : personnalisation, droits, segment, sélection locale, avantages spécifiques ou tout autre contexte inclus dans la réponse. Si la réponse varie avec l’identité ou l’état de session, la clé de cache devrait en tenir compte ; dans beaucoup de cas, la réponse la plus sûre consiste à ne pas utiliser de cache partagé pour cette ressource.
Panier : une règle de séparation claire
AWS recommande une politique CachingDisabled pour /api/cart/, précisément parce que le panier est spécifique à l’utilisateur. C’est une règle immédiatement exploitable dans toute architecture qui met un CDN, un proxy ou une couche de cache devant une API : le panier ne doit pas hériter de la politique de cache des listes produit.
Le même raisonnement doit être appliqué aux endpoints de compte, aux résultats personnalisés et aux réponses contenant des données de session. Une configuration par chemins ou par comportements de cache réduit les erreurs de classement : /api/products/, /api/inventory/ et /api/cart/ n’ont pas le même profil, donc ils ne devraient pas partager une règle générique.
Prix et stock : réduire la charge sans promettre une fraîcheur impossible
Les données de stock et de prix évoluent rapidement. AWS illustre cette contrainte avec un cache de cinq secondes pour /api/inventory/, afin de réduire la charge tout en limitant le risque de survente. Cet exemple ne fixe pas une durée obligatoire pour chaque boutique, mais il montre l’écart de traitement nécessaire entre l’inventaire et une image produit.
Définissez avec les équipes métier ce qui doit être exact au moment de l’affichage, ce qui doit être revalidé au panier ou à la commande, et ce qui peut être légèrement différé. La bonne politique ne repose pas uniquement sur un TTL : elle tient aussi à la façon dont l’application traite un prix modifié ou un stock devenu indisponible entre l’affichage et l’action d’achat.
Optimiser les APIs et les couches de recherche sans masquer les compromis
Lorsque le catalogue est exposé par une API d’agrégation ou une couche GraphQL, les optimisations ne s’arrêtent pas à la base de données. Apollo met en avant le cache de réponse et le regroupement de requêtes, ou query batching, comme leviers pour accélérer et sécuriser des APIs à fort trafic. Ces mécanismes peuvent réduire les appels répétés et les allers-retours, à condition que le périmètre du cache soit correctement défini.
Le batching est utile lorsque plusieurs demandes peuvent être regroupées sans casser les règles de contexte, d’autorisation ou de fraîcheur. Le cache de réponse est utile lorsque la réponse est réutilisable. Dans les deux cas, il faut éviter qu’une optimisation de transport transforme une réponse personnalisée en réponse partagée.
Faire de l’index de recherche un composant avec ses propres délais
Pour les gros catalogues, un moteur de recherche peut être une composante essentielle du parcours de recherche et de filtrage. OpenSearch conseille d’ajuster l’intervalle de rafraîchissement et les tailles de cache selon les charges de recherche. Augmenter l’intervalle de rafraîchissement améliore le rendement, mais retarde la visibilité des mises à jour dans l’index.
Ce compromis doit être rendu explicite. Si une mise à jour doit apparaître immédiatement dans une recherche, un intervalle de rafraîchissement plus long peut être inacceptable. Si le catalogue reçoit de nombreuses modifications et que quelques instants de délai sont tolérables pour l’index de recherche, augmenter cet intervalle peut améliorer le rendement. Il n’existe pas de réglage universel : le choix dépend de la promesse faite aux clients et de la charge réelle.
Une séquence de mise en œuvre mesurable
- Listez les endpoints, pages et jobs qui interrogent le catalogue, puis classez-les par volume, fréquence et sensibilité métier.
- Pour chaque parcours, définissez les champs nécessaires, les filtres, l’ordre, le type de pagination et le niveau de fraîcheur attendu.
- Vérifiez les index par rapport aux clauses
WHEREetORDER BYdes requêtes observées. - Introduisez la pagination par curseur là où les parcours séquentiels et les pages profondes le justifient.
- Créez des comportements de cache séparés pour les médias, les listes publiques, le stock, le panier et les réponses personnalisées.
- Mesurez après chaque changement, y compris la justesse des résultats, la visibilité des mises à jour et les erreurs de contexte.
Cette progression évite le piège de la « grande optimisation » indifférenciée. Elle permet aussi de revenir sur une décision si le compromis métier n’est pas acceptable, par exemple si une amélioration du rendement de recherche retarde trop la publication d’un changement important.
Contrôler la qualité fonctionnelle après chaque optimisation
Une amélioration de performance n’est durable que si elle préserve la qualité de la réponse. Après avoir ajouté un index, modifié une clé de cache, introduit un curseur ou augmenté un intervalle de rafraîchissement, contrôlez les effets fonctionnels autant que les temps de réponse.
- Les filtres retournent-ils le même périmètre de produits attendu ?
- Le tri est-il stable entre deux pages ou deux appels successifs ?
- Une modification de produit, de prix ou de stock devient-elle visible dans le délai accepté par le métier ?
- Une réponse personnalisée, un panier ou une donnée de compte peut-elle être servie depuis un cache partagé ?
- Les paramètres de pagination, de filtre et de tri font-ils bien partie de la clé lorsque la réponse cache dépend d’eux ?
Le contrôle doit couvrir les cas ordinaires et les bords : requête sans filtre, résultat très large, filtre combiné, page avancée, produit modifié pendant la navigation, stock changé, visiteur authentifié et visiteur anonyme. C’est cette validation qui transforme une optimisation technique en amélioration fiable du parcours d’achat.
Pour les catalogues PrestaShop volumineux, les gains les plus solides viennent rarement d’un cache global ou d’une requête plus complexe. Ils viennent d’un catalogue interrogé selon les usages réels : résultats réduits tôt, indexés pour les filtres et les tris, parcourus avec une pagination adaptée, puis mis en cache selon leur caractère public, variable ou personnel.
Retenez une priorité opérationnelle : commencez par mesurer les listes et recherches qui coûtent le plus, corrigez leur accès aux données, puis segmentez le cache sans compromis sur le panier, la personnalisation, le prix et le stock. Cette démarche donne aux équipes boutique, développement et infrastructure un langage commun pour faire évoluer le catalogue sans sacrifier ni la vitesse ni la fiabilité.

