Gemini CLI でのウェブスクレイピング
Gemini CLI に Spicrawl MCP サーバーを追加します。Gemini CLI はウェブページをクリーンな Markdown として読めるようになります。
セットアップする
spicrawl init は Gemini CLI をサポートしていないため、次の手順に従ってください。
キーを設定してから、二つ目の名前にコピーします:
bashexport SPICRAWL_API_KEY=spicrawl_live_... # add to your shell profile export SPICRAWL_MCP_BEARER="$SPICRAWL_API_KEY"Gemini CLI は、ヘッダーを埋める前に、名前に
KEY、TOKEN、AUTHなどの語を含む変数を削除します。そのため$SPICRAWL_API_KEYは空になり、サーバーは 401 を返します。サーバーを
~/.gemini/settings.json(1 つのプロジェクトだけなら.gemini/settings.json)に追加します。urlではなくhttpUrlを使います:~/.gemini/settings.json{ "mcpServers": { "spicrawl": { "httpUrl": "https://mcp.spicrawl.com/mcp", "headers": { "Authorization": "Bearer $SPICRAWL_MCP_BEARER" } } } }またはコマンドラインから同じエントリを追加します。シングルクォートにより、変数の参照がファイルにそのまま残ります:
bashgemini mcp add --scope user --transport http \ --header 'Authorization: Bearer $SPICRAWL_MCP_BEARER' \ spicrawl https://mcp.spicrawl.com/mcpスキルをインストールし、実行中のセッションで
/skills reloadを実行します: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.mdこのセクションをプロジェクトルートの
GEMINI.mdに貼り付け、/memory reloadを実行します: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.geminiを起動して/mcpを実行します。spicrawlが、spicrawl_*ツール 25 個で接続されているはずです。
最初に試すタスク
プロジェクトで gemini を起動し、次のように尋ねます:
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.エージェントは format: "markdown" を指定して spicrawl_scrape を呼び出します。サーバーに "trust": true がない限り、Gemini CLI はツール呼び出しのたびに確認を求めます。
できること
このサーバーは、エージェントに spicrawl_* ツールを 25 個提供します。各呼び出しはお客様の API キーのもとで実行され、API の直接呼び出しと同じ制限とクレジットが適用されます。
- ページを一つ読み取る:
spicrawl_scrapeは Markdown(デフォルト)、テキスト、HTML、JSON、PDF を返します。 - 多数のページを読み取る:
spicrawl_batch_submitは最大 10,000 件の URL をキューに入れます。続けてspicrawl_batch_statusとspicrawl_batch_resultsを使います。 - ログインが必要なページ:
spicrawl_session_createは、呼び出しをまたいで Cookie とストレージを保持します。 - 失敗をデバッグする:
spicrawl_requests_listとspicrawl_request_get。 - 使用量を確認:
spicrawl_usage_summaryとその他の使用量ツール。これらにはreadスコープを持つキーが必要です。 - 調べる:
spicrawl_docs_searchとspicrawl_docs_readで Spicrawl のドキュメントを検索して読めます。
ツール spicrawl_browser_connect_url は一覧にありますが、近日公開です。spicrawl_scrape では、レンダリングの引数は API の js_render ではなく render です。
知っておくべきこと
- クロールはありません。 Spicrawl はリンクをたどったり、ページを探したりしません。エージェントに URL を渡してください。
- リクエストごとのクレジット。 通常のフェッチは 1 クレジット、JavaScript レンダリングは 3、フルブラウザレンダリングは 8 です。
- 失敗は無料です。 失敗したリクエストは 0 クレジットです。
- キャッシュで節約できるのは時間であり、クレジットではありません。 キャッシュヒットの料金は、それを保存したフェッチと同じです。
- 呼び出しごとに上限を設けてください。
max_costを設定すると、より高くなる可能性のあるリクエストは実行前に拒否されます。 - 近日公開: マネージドプロキシ、ステルスモード、リモートブラウザ、自然な言葉で書いたプロンプトからの AI 抽出。現時点では、ご自身のプロキシを使えます。
よくある質問
ヘッダーで SPICRAWL_API_KEY を使わないのはなぜですか?
Gemini CLI は、ヘッダーを展開する前に、名前に KEY、TOKEN、AUTH などの語を含む変数を削除します。$SPICRAWL_API_KEY は空になり、サーバーは 401 を返します。SPICRAWL_MCP_BEARER を使ってください。
spicrawl init は Gemini CLI に対応していますか?
いいえ。このページの手動の手順に従ってください。
url と httpUrl のどちらを使うべきですか?
httpUrl を使ってください。Gemini CLI では、url は SSE を意味し、Spicrawl のサーバーは Streamable HTTP を使います。
Gemini CLI 用の Spicrawl 拡張機能はありますか?
いいえ。Spicrawl の拡張機能は公開されていないため、settings のエントリを使ってください。
1 ページの料金はいくらですか?
通常のフェッチは 1 クレジット、JavaScript レンダリングは 3、フルブラウザレンダリングは 8 です。失敗したリクエストは 0 クレジットです。キャッシュヒットは、それを保存したフェッチと同じ料金です。エージェントに各リクエストで max_cost を設定するよう指示すれば、想定以上の出費を防げます。