Web scraping dans Gemini CLI
Ajoutez le serveur MCP Spicrawl à Gemini CLI. Il peut alors lire des pages web en Markdown propre.
Configurez-le
spicrawl init ne prend pas en charge Gemini CLI ; suivez donc ces étapes.
Définissez votre clé, puis copiez-la sous un second nom :
bashexport SPICRAWL_API_KEY=spicrawl_live_... # add to your shell profile export SPICRAWL_MCP_BEARER="$SPICRAWL_API_KEY"Gemini CLI supprime les variables dont le nom contient
KEY,TOKEN,AUTHou des mots similaires avant de renseigner les en-têtes. Ainsi,$SPICRAWL_API_KEYserait vide et le serveur répondrait 401.Ajoutez le serveur à
~/.gemini/settings.json(ou à.gemini/settings.jsonpour un seul projet). UtilisezhttpUrl, et nonurl:~/.gemini/settings.json{ "mcpServers": { "spicrawl": { "httpUrl": "https://mcp.spicrawl.com/mcp", "headers": { "Authorization": "Bearer $SPICRAWL_MCP_BEARER" } } } }Ou ajoutez la même entrée depuis la ligne de commande. Les guillemets simples gardent la référence de variable dans le fichier :
bashgemini mcp add --scope user --transport http \ --header 'Authorization: Bearer $SPICRAWL_MCP_BEARER' \ spicrawl https://mcp.spicrawl.com/mcpInstallez la skill, puis exécutez
/skills reloaddans une session en cours :bashspicrawl 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.mdCollez cette section dans
GEMINI.mdà la racine du projet, puis exécutez/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.Lancez
geminiet exécutez/mcp.spicrawldoit être connecté avec 25 outilsspicrawl_*.
Une première tâche à essayer
Lancez gemini dans le projet et demandez :
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". Gemini CLI vous demande de confirmer chaque appel d’outil, sauf si le serveur a "trust": true.
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_scraperenvoie du Markdown (par défaut), du texte, du HTML, du JSON ou un PDF. - Lire plusieurs pages :
spicrawl_batch_submitmet en file jusqu’à 10 000 URL. Suivez-le avecspicrawl_batch_statusetspicrawl_batch_results. - Pages derrière une connexion :
spicrawl_session_createconserve les cookies et le stockage d’un appel à l’autre. - Déboguer un échec :
spicrawl_requests_listetspicrawl_request_get. - Vérifier l’usage :
spicrawl_usage_summaryet les autres outils d’utilisation. Ils nécessitent une clé avec le scoperead. - Rechercher des informations :
spicrawl_docs_searchetspicrawl_docs_readcherchent 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
Pourquoi ne pas utiliser SPICRAWL_API_KEY dans l’en-tête ?
Gemini CLI supprime les variables dont le nom contient KEY, TOKEN, AUTH et des mots similaires avant de développer les en-têtes. $SPICRAWL_API_KEY serait vide et le serveur répondrait 401. Utilisez SPICRAWL_MCP_BEARER.
spicrawl init prend-il en charge Gemini CLI ?
Non. Suivez les étapes manuelles de cette page.
Dois-je utiliser url ou httpUrl ?
Utilisez httpUrl. Dans Gemini CLI, url signifie SSE, et le serveur Spicrawl utilise Streamable HTTP.
Existe-t-il une extension Spicrawl pour Gemini CLI ?
Non. Aucune extension Spicrawl n’est publiée, utilisez donc l’entrée dans les paramètres.
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.