Spicrawl kini bekerja dengan OpenAI Agents SDK, LangChain, Codex, Claude Code, dan lainnya.Lihat integrasi
Lewati ke konten

Web scraping di Gemini CLI

Tambahkan server MCP Spicrawl ke Gemini CLI. Gemini kemudian dapat membaca halaman web sebagai Markdown yang bersih.

Siapkan

spicrawl init tidak mendukung Gemini CLI, jadi ikuti langkah-langkah ini.

  1. Atur key Anda, lalu salin ke nama kedua:

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

    Gemini CLI menghapus variabel yang namanya mengandung KEY, TOKEN, AUTH, dan kata serupa sebelum mengisi header. Jadi $SPICRAWL_API_KEY akan kosong dan server menjawab 401.

  2. Tambahkan server ke ~/.gemini/settings.json (atau .gemini/settings.json untuk satu proyek). Gunakan httpUrl, bukan url:

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

    Atau tambahkan entri yang sama dari baris perintah. Tanda kutip tunggal menjaga referensi variabel tetap di file:

    bash
    gemini mcp add --scope user --transport http \
      --header 'Authorization: Bearer $SPICRAWL_MCP_BEARER' \
      spicrawl https://mcp.spicrawl.com/mcp
  3. Instal skill, lalu jalankan /skills reload di session yang sedang berjalan:

    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. Tempel bagian ini ke GEMINI.md di root proyek, lalu jalankan /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. Jalankan gemini dan ketik /mcp. spicrawl seharusnya terhubung dengan 25 tool spicrawl_*.

Tugas pertama untuk dicoba

Jalankan gemini di proyek dan tanyakan:

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.

Agen sebaiknya memanggil spicrawl_scrape dengan format: "markdown". Gemini CLI meminta Anda mengonfirmasi setiap panggilan tool kecuali server memiliki "trust": true.

Apa yang dapat dilakukannya

Server memberi agen 25 tool spicrawl_*. Setiap panggilan berjalan dengan API key Anda, dengan batas dan kredit yang sama seperti panggilan API langsung.

  • Baca satu halaman: spicrawl_scrape mengembalikan Markdown (default), teks, HTML, JSON, atau PDF.
  • Baca banyak halaman: spicrawl_batch_submit mengantrekan hingga 10,000 URL. Lanjutkan dengan spicrawl_batch_status dan spicrawl_batch_results.
  • Halaman di balik login: spicrawl_session_create menyimpan cookie dan storage di seluruh panggilan.
  • Debug kegagalan: spicrawl_requests_list dan spicrawl_request_get.
  • Periksa penggunaan: spicrawl_usage_summary dan tool penggunaan lainnya. Tool ini membutuhkan key dengan scope read.
  • Cari informasi: spicrawl_docs_search dan spicrawl_docs_read mencari dan membaca dokumentasi Spicrawl.

Satu tool, spicrawl_browser_connect_url, tercantum tetapi segera hadir. Pada spicrawl_scrape, argumen rendering-nya adalah render, bukan js_render milik API.

Perlu diketahui

  • Tidak ada crawl. Spicrawl tidak mengikuti tautan atau menemukan halaman. Berikan URL ke agen.
  • Kredit per permintaan. Fetch biasa 1 kredit. Rendering JavaScript 3. Rendering browser penuh 8.
  • Kegagalan gratis. Permintaan yang gagal berbiaya 0 kredit.
  • Cache menghemat waktu, bukan kredit. Cache hit berbiaya sama dengan fetch yang menyimpannya.
  • Batasi setiap panggilan. Atur max_cost, dan permintaan yang bisa berbiaya lebih besar ditolak sebelum dijalankan.
  • Segera hadir: proxy terkelola, mode stealth, browser jarak jauh, dan ekstraksi AI dari prompt bahasa biasa. Saat ini Anda dapat membawa proxy sendiri.

Pertanyaan yang sering diajukan

Mengapa tidak memakai SPICRAWL_API_KEY di header?

Gemini CLI menghapus variabel yang namanya mengandung KEY, TOKEN, AUTH, dan kata serupa sebelum memperluas header. $SPICRAWL_API_KEY akan kosong dan server akan menjawab 401. Gunakan SPICRAWL_MCP_BEARER.

Apakah spicrawl init mendukung Gemini CLI?

Tidak. Ikuti langkah manual di halaman ini.

Haruskah saya memakai url atau httpUrl?

Gunakan httpUrl. Di Gemini CLI, url berarti SSE, dan server Spicrawl memakai Streamable HTTP.

Apakah ada ekstensi Spicrawl untuk Gemini CLI?

Tidak. Belum ada ekstensi Spicrawl yang dipublikasikan, jadi gunakan entri settings.

Berapa biaya setiap halaman?

Fetch biasa berbiaya 1 kredit, rendering JavaScript 3, dan rendering browser penuh 8. Permintaan gagal berbiaya 0. Cache hit berbiaya sama dengan fetch yang menyimpannya. Minta agen mengatur max_cost pada setiap permintaan agar tidak pernah menghabiskan lebih dari yang Anda duga.