Spicrawl fonctionne désormais avec OpenAI Agents SDK, LangChain, Codex, Claude Code et plus encore.Voir les intégrations
Aller au contenu

Web scraping dans Cursor

Ajoutez le serveur MCP Spicrawl à Cursor. Son agent peut alors lire des pages web en Markdown propre.

Configurez-le

Trois étapes donnent à l’agent de Cursor les outils, le savoir-faire pour écrire du code Spicrawl et des règles pour utiliser les deux. Ou faites les trois d’un coup avec spicrawl init --client cursor.

  1. Définissez votre clé API dans l’environnement à partir duquel Cursor démarre :

    bash
    export SPICRAWL_API_KEY=spicrawl_live_...   # add to your shell profile, then restart Cursor

    Sur macOS, les applications lancées depuis le Dock ne voient pas le profil de votre shell. Lancez Cursor depuis un terminal avec cursor ..

  2. Ajoutez le serveur à .cursor/mcp.json (ou à ~/.cursor/mcp.json pour tous les projets). Cursor renseigne la clé, donc le fichier peut être commité sans risque :

    .cursor/mcp.json
    {
      "mcpServers": {
        "spicrawl": {
          "url": "https://mcp.spicrawl.com/mcp",
          "headers": { "Authorization": "Bearer ${env:SPICRAWL_API_KEY}" }
        }
      }
    }
  3. Installez la skill :

    bash
    spicrawl skill install --client cursor
    
    # Without the CLI:
    mkdir -p .cursor/skills/spicrawl
    curl -fsSL https://app.spicrawl.com/skill.md -o .cursor/skills/spicrawl/SKILL.md
  4. Enregistrez cette règle sous .cursor/rules/spicrawl.mdc. L’agent la lit lorsqu’une tâche implique des données web. Définissez alwaysApply: true pour l’inclure dans chaque chat.

    .cursor/rules/spicrawl.mdc
    ---
    description: Fetching, scraping or extracting data from web pages with Spicrawl
    alwaysApply: false
    ---
    
    # 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. Ouvrez Cursor Settings → MCP. Vérifiez que spicrawl est activé et liste 25 outils spicrawl_*.

Une première tâche à essayer

Ouvrez l’agent en mode Agent et demandez :

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.

L’agent doit appeler spicrawl_scrape avec format: "markdown". Il ne doit ajouter render: true que si le premier résultat est vide.

Agents cloud

Les agents cloud de Cursor s’exécutent dans une VM distante, ils ne peuvent donc pas voir la clé de votre shell. Ajoutez le serveur dans le tableau de bord Cursor avec l’URL https://mcp.spicrawl.com/mcp et l’en-tête Authorization: Bearer plus votre clé. Ne commitez pas la clé. La skill et la règle viennent du dépôt.

Ce qu’il peut faire

Le serveur donne à l’agent 25 outils spicrawl_*. Chaque appel s’exécute sous votre clé API, avec les mêmes limites et les mêmes crédits qu’un appel direct à l’API.

  • Lire une page : spicrawl_scrape renvoie du Markdown (par défaut), du texte, du HTML, du JSON ou un PDF.
  • Lire plusieurs pages : spicrawl_batch_submit met en file jusqu’à 10 000 URL. Suivez-le avec spicrawl_batch_status et spicrawl_batch_results.
  • Pages derrière une connexion : spicrawl_session_create conserve les cookies et le stockage d’un appel à l’autre.
  • Déboguer un échec : spicrawl_requests_list et spicrawl_request_get.
  • Vérifier l’usage : spicrawl_usage_summary et les autres outils d’utilisation. Ils nécessitent une clé avec le scope read.
  • Rechercher des informations : spicrawl_docs_search et spicrawl_docs_read cherchent et lisent la documentation de Spicrawl.

Un outil, spicrawl_browser_connect_url, est listé mais arrive bientôt. Sur spicrawl_scrape, l’argument de rendu est render, et non le js_render de l’API.

Bon à savoir

  • Pas de crawl. Spicrawl ne suit pas les liens et ne trouve pas de pages. Donnez les URL à l’agent.
  • Crédits par requête. Une récupération simple coûte 1 crédit. Le rendu JavaScript coûte 3. Le rendu navigateur complet coûte 8.
  • Les échecs sont gratuits. Une requête échouée coûte 0 crédit.
  • Le cache fait gagner du temps, pas des crédits. Un résultat en cache coûte autant que la récupération qui l’a stocké.
  • Plafonnez chaque appel. Définissez max_cost, et une requête qui pourrait coûter plus cher est refusée avant d’être exécutée.
  • Bientôt disponible : proxys gérés, mode furtif, navigateur distant et extraction par IA à partir d’un prompt en langage naturel. Aujourd’hui, vous pouvez apporter votre propre proxy.

Questions fréquentes

Peut-on commiter .cursor/mcp.json sans risque ?

Yes, if you use ${env:SPICRAWL_API_KEY} in the header. Cursor replaces it with the value from your environment, so the file holds no key.

Pourquoi le serveur affiche-t-il une erreur 401 ?

SPICRAWL_API_KEY n’était pas défini au démarrage de Cursor. Sous macOS, les applications lancées depuis le Dock ne voient pas votre profil de shell. Lancez plutôt Cursor depuis un terminal avec cursor .

Cela fonctionne-t-il avec les agents cloud de Cursor ?

Oui. Ajoutez le serveur dans le tableau de bord Cursor avec l’URL et votre en-tête Authorization. Ne commitez pas la clé. La skill et la règle sont lues depuis le dépôt.

Le serveur est listé mais n’a aucun outil. Que faire ?

Désactivez puis réactivez-le dans Cursor Settings → MCP, puis ouvrez une nouvelle discussion.

Combien coûte chaque page ?

Une récupération simple coûte 1 crédit, le rendu JavaScript 3 et le rendu navigateur complet 8. Les requêtes échouées coûtent 0. Un résultat en cache coûte autant que la récupération qui l’a stocké. Demandez à l’agent de définir max_cost sur chaque requête pour qu’il ne dépense jamais plus que prévu.