Web scraping en Codex
Añade el servidor MCP de Spicrawl a Codex. Así puede leer páginas web como Markdown limpio.
Configúralo
Tres pasos dan a Codex las herramientas, el conocimiento para escribir código de Spicrawl y las reglas para usar ambos. O haz los tres con spicrawl init --client codex.
Configura tu clave de API:
bashexport SPICRAWL_API_KEY=spicrawl_live_... # add to your shell profileAñade el servidor MCP. Codex lee la clave de
SPICRAWL_API_KEYcada vez que se conecta, así que la clave nunca acaba en un archivo:bashcodex mcp add spicrawl --url https://mcp.spicrawl.com/mcp --bearer-token-env-var SPICRAWL_API_KEYEsto escribe lo mismo que esta configuración:
~/.codex/config.toml[mcp_servers.spicrawl] url = "https://mcp.spicrawl.com/mcp" bearer_token_env_var = "SPICRAWL_API_KEY"Para un solo proyecto, pon la tabla en
.codex/config.toml. Codex solo la lee en proyectos de confianza.Instala la skill:
bashmkdir -p .agents/skills/spicrawl curl -fsSL https://app.spicrawl.com/skill.md -o .agents/skills/spicrawl/SKILL.mdPega esta sección en
AGENTS.mden la raíz del proyecto:AGENTS.md## Web data (Spicrawl) Use Spicrawl to read web pages: the spicrawl_* MCP tools, the `spicrawl` CLI, or POST https://api.spicrawl.com/v1/scrape with `Authorization: Bearer $SPICRAWL_API_KEY` in code. Docs: https://docs.spicrawl.com/llms.txt (append .md to any page URL for Markdown). - Ask for markdown: `response_format: "markdown"` (API default is html); on spicrawl_scrape, `format: "markdown"`. - Check the site's status, not only the HTTP status: `X-Target-Status` header, or `status` in the JSON envelope (spicrawl_scrape with `format: "json"`). 200 is the page; 404/410 mean it does not exist; 403/429/503 mean the site refused, so escalate. - On an error, switch on `code`. Retry only when `retryable` is true, after `retry_after_seconds`. Read `diagnostics.hint` and change what it names first. Never retry ERR::REQUEST::*, ERR::AUTH::* or ERR::LIMIT::QUOTA_EXCEEDED. - Escalate one step at a time and stop at the first that works: plain fetch (1 credit) -> `js_render: true` (3) -> add the user's own `proxy` if they have one. Empty or skeleton content means render; ERR::UPSTREAM::CHALLENGE or a 403 target status means retry once, then the user's own proxy. - Set `max_cost` on every request to the price of the step you intend. - Keep the cache on (default). Set `cache: false` only for prices, stock or other live data. - Trim tokens with `main_content_only` (on by default for markdown), `include_tags`, `exclude_tags`. - For more than 20 URLs, use a batch job (spicrawl_batch_submit / POST /v1/batch). Batch items return html, markdown or text (spicrawl_batch_submit defaults to markdown, POST /v1/batch to html). Extraction, screenshots, actions and sessions are refused with a 400 before anything is charged: scrape those URLs one by one. - With the CLI, read stdout as JSON and branch on the exit code: 3 auth, 4 bad request, 5 limit, 6 site refused or failed, 7 proxy, 8 engine or extraction, 10 network. - Never print or commit SPICRAWL_API_KEY. Log `X-Request-Id` for failures.Compruébalo con
codex mcp list, o con/mcpen una sesión. Deberías ver 25 herramientas despicrawl_*.
O usa la CLI
Codex funciona en una shell, así que la CLI spicrawl funciona sin ninguna configuración. Imprime JSON cuando se canaliza y termina con un código estable:
spicrawl scrape https://example.com/pricing --format markdown --max-cost 3 | jq -r .contentEn Codex cloud, no cuentes con el servidor MCP. Usa la CLI o HTTP simple. Configura SPICRAWL_API_KEY como variable de entorno, no como secreto, y permite api.spicrawl.com en el acceso a internet del agente.
Una primera tarea para probar
Inicia codex en el proyecto y pregunta:
Use Spicrawl to read https://example.com/pricing as markdown. List each plan with its monthly price.
If the page comes back empty, retry with rendering.Qué puede hacer
El servidor ofrece al agente 25 herramientas de spicrawl_*. Cada llamada se ejecuta con tu clave de API, con los mismos límites y créditos que una llamada directa a la API.
- Lee una página:
spicrawl_scrapedevuelve Markdown (predeterminado), texto, HTML, JSON o PDF. - Lee muchas páginas:
spicrawl_batch_submitpone en cola hasta 10.000 URL. Continúa conspicrawl_batch_statusyspicrawl_batch_results. - Páginas con login:
spicrawl_session_createconserva las cookies y el almacenamiento entre llamadas. - Depura un fallo:
spicrawl_requests_listyspicrawl_request_get. - Revisa el uso:
spicrawl_usage_summaryy las demás herramientas de uso. Requieren una clave con el alcanceread. - Busca cosas:
spicrawl_docs_searchyspicrawl_docs_readbuscan y leen la documentación de Spicrawl.
Una herramienta, spicrawl_browser_connect_url, aparece en la lista pero llegará pronto. En spicrawl_scrape, el argumento de renderizado es render, no el js_render de la API.
Conviene saber
- No rastrea. Spicrawl no sigue enlaces ni encuentra páginas. Dale las URL al agente.
- Créditos por solicitud. Una obtención simple cuesta 1 crédito. El renderizado de JavaScript, 3. El renderizado con navegador completo, 8.
- Los fallos son gratis. Una solicitud fallida cuesta 0 créditos.
- La caché ahorra tiempo, no créditos. Un acierto de caché cuesta lo mismo que la obtención que lo guardó.
- Limita cada llamada. Configura
max_costy una solicitud que podría costar más se rechaza antes de ejecutarse. - Próximamente: proxies gestionados, modo sigiloso, un navegador remoto y extracción con IA a partir de un prompt en lenguaje natural. Hoy puedes usar tu propio proxy.
Preguntas frecuentes
¿Dónde guarda Codex el servidor?
En ~/.codex/config.toml. Para usarlo solo en un proyecto, pon la misma tabla en .codex/config.toml. Codex lee la configuración del proyecto solo en proyectos de confianza.
¿Codex puede usar la CLI en lugar de MCP?
Sí. Codex funciona en un shell, así que puede ejecutar spicrawl scrape URL --format markdown --max-cost 3. La CLI imprime JSON cuando se redirige la salida y termina con un código estable.
¿Funciona en Codex cloud?
No cuentes con el servidor MCP ahí. Usa la CLI o HTTP simple. Configura SPICRAWL_API_KEY como variable de entorno (no como secreto) y permite api.spicrawl.com en el acceso a internet del agente.
¿Por qué el servidor devuelve 401?
SPICRAWL_API_KEY no estaba definida en el shell que inició codex. Expórtala e inicia una sesión nueva.
¿Cuánto cuesta cada página?
Una solicitud simple cuesta 1 crédito, el renderizado con JavaScript 3 y el renderizado con navegador completo 8. Las solicitudes fallidas cuestan 0. Un acierto de caché cuesta lo mismo que la solicitud que lo guardó. Pide al agente que configure max_cost en cada solicitud para que nunca gaste más de lo que esperas.