Spicrawl ahora funciona con OpenAI Agents SDK, LangChain, Codex, Claude Code y más.Ver integraciones
Saltar al contenido

Web scraping en Gemini CLI

Añade el servidor MCP de Spicrawl a Gemini CLI. Así puede leer páginas web como Markdown limpio.

Configúralo

spicrawl init no admite Gemini CLI, así que sigue estos pasos.

  1. Configura tu clave y luego cópiala a un segundo nombre:

    bash
    export SPICRAWL_API_KEY=spicrawl_live_...   # add to your shell profile
    export SPICRAWL_MCP_BEARER="$SPICRAWL_API_KEY"

    Gemini CLI elimina las variables que tienen KEY, TOKEN, AUTH o palabras similares en el nombre antes de rellenar los encabezados. Así que $SPICRAWL_API_KEY quedaría vacía y el servidor respondería 401.

  2. Añade el servidor a ~/.gemini/settings.json (o a .gemini/settings.json para un proyecto). Usa httpUrl, no url:

    ~/.gemini/settings.json
    {
      "mcpServers": {
        "spicrawl": {
          "httpUrl": "https://mcp.spicrawl.com/mcp",
          "headers": { "Authorization": "Bearer $SPICRAWL_MCP_BEARER" }
        }
      }
    }

    O añade la misma entrada desde la línea de comandos. Las comillas simples mantienen la referencia a la variable en el archivo:

    bash
    gemini mcp add --scope user --transport http \
      --header 'Authorization: Bearer $SPICRAWL_MCP_BEARER' \
      spicrawl https://mcp.spicrawl.com/mcp
  3. Instala la skill y luego ejecuta /skills reload en una sesión en marcha:

    bash
    spicrawl skill install --client codex
    
    # Without the CLI:
    mkdir -p .agents/skills/spicrawl
    curl -fsSL https://app.spicrawl.com/skill.md -o .agents/skills/spicrawl/SKILL.md
  4. Pega esta sección en GEMINI.md en la raíz del proyecto y luego ejecuta /memory reload:

    GEMINI.md
    # Web data (Spicrawl)
    
    Use Spicrawl to read web pages: the spicrawl_* MCP tools in chat, 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.
    - Never print or commit SPICRAWL_API_KEY. Log `X-Request-Id` for failures.
  5. Inicia gemini y ejecuta /mcp. spicrawl debería aparecer conectado con 25 herramientas de spicrawl_*.

Una primera tarea para probar

Inicia gemini en el proyecto y pregunta:

prompt
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.

El agente debe llamar a spicrawl_scrape con format: "markdown". Gemini CLI te pide confirmar cada llamada a una herramienta a menos que el servidor tenga "trust": true.

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_scrape devuelve Markdown (predeterminado), texto, HTML, JSON o PDF.
  • Lee muchas páginas: spicrawl_batch_submit pone en cola hasta 10.000 URL. Continúa con spicrawl_batch_status y spicrawl_batch_results.
  • Páginas con login: spicrawl_session_create conserva las cookies y el almacenamiento entre llamadas.
  • Depura un fallo: spicrawl_requests_list y spicrawl_request_get.
  • Revisa el uso: spicrawl_usage_summary y las demás herramientas de uso. Requieren una clave con el alcance read.
  • Busca cosas: spicrawl_docs_search y spicrawl_docs_read buscan 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_cost y 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

¿Por qué no usar SPICRAWL_API_KEY en el encabezado?

Gemini CLI elimina las variables cuyos nombres contienen KEY, TOKEN, AUTH y palabras similares antes de expandir los encabezados. $SPICRAWL_API_KEY quedaría vacía y el servidor respondería 401. Usa SPICRAWL_MCP_BEARER.

¿spicrawl init admite Gemini CLI?

No. Sigue los pasos manuales de esta página.

¿Debo usar url o httpUrl?

Usa httpUrl. En Gemini CLI, url significa SSE, y el servidor de Spicrawl usa Streamable HTTP.

¿Hay una extensión de Spicrawl para Gemini CLI?

No. No hay una extensión de Spicrawl publicada, así que usa la entrada en los ajustes.

¿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.