Web scraping en VS Code con Copilot
Añade el servidor MCP de Spicrawl a VS Code. Así Copilot en modo agente puede leer páginas web como Markdown limpio.
Configúralo
Tres pasos dan a Copilot las herramientas, el conocimiento para escribir código de Spicrawl y las reglas para usar ambos. spicrawl init --client vscode hace los dos primeros por ti.
Crea
.vscode/mcp.jsonen el proyecto. VS Code usa la claveservers, nomcpServers. El campo de contraseña hace que VS Code te pida tu clave una vez y la guarde, así que el archivo se puede confirmar en el repositorio sin riesgo:.vscode/mcp.json{ "inputs": [ { "type": "promptString", "id": "spicrawl-api-key", "description": "Spicrawl API key", "password": true } ], "servers": { "spicrawl": { "type": "http", "url": "https://mcp.spicrawl.com/mcp", "headers": { "Authorization": "Bearer ${input:spicrawl-api-key}" } } } }Ejecuta MCP: List Servers desde la paleta de comandos e inicia
spicrawl. Introduce tu clave cuando te la pida.Instala la skill y súbela al repositorio:
bashspicrawl skill install --client vscode # Without the CLI: mkdir -p .github/skills/spicrawl curl -fsSL https://app.spicrawl.com/skill.md -o .github/skills/spicrawl/SKILL.mdGuarda esto como
.github/copilot-instructions.md, o añádelo al archivo que ya tienes:.github/copilot-instructions.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.Abre la vista Chat, cambia al modo Agente y abre el selector de herramientas.
spicrawlmuestra 25 herramientas despicrawl_*.
La CLI de Copilot y el agente en la nube de Copilot leen cada uno su propia configuración de MCP. La página de docs cubre ambos.
Una primera tarea para probar
Abre Copilot Chat en modo Agent 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.El agente debe llamar a spicrawl_scrape con format: "markdown". Debe añadir render: true solo si el primer resultado está vacío.
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
¿Por qué VS Code usa "servers" y no "mcpServers"?
Ese es el formato propio de VS Code. Usa la clave servers en .vscode/mcp.json, como en el ejemplo de esta página.
¿Dónde se guarda mi clave?
The inputs entry with password: true makes VS Code ask for the key once and store it. The file only holds ${input:spicrawl-api-key}, so you can commit it.
¿Funciona con la CLI de Copilot y el agente en la nube?
Sí, pero cada uno lee su propia configuración de MCP. La CLI de Copilot usa copilot mcp add. El agente en la nube lo configura un administrador del repositorio en Settings → Copilot → MCP servers. La página de documentación cubre ambos.
¿Qué escribe spicrawl init --client vscode?
Escribe .vscode/mcp.json y la skill en .github/skills/spicrawl/SKILL.md. No escribe el archivo de instrucciones ni la configuración de la CLI de Copilot o del agente en la nube.
¿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.