Spicrawl werkt nu met OpenAI Agents SDK, LangChain, Codex, Claude Code en meer.Bekijk integraties
Naar inhoud springen

Web scraping in Cursor

Voeg de Spicrawl MCP-server toe aan Cursor. De agent kan dan webpagina's als schone Markdown lezen.

Stel het in

Drie stappen geven de agent van Cursor de tools, de kennis om Spicrawl-code te schrijven en regels om beide te gebruiken. Of doe alle drie met spicrawl init --client cursor.

  1. Stel je API-sleutel in in de omgeving waaruit Cursor start:

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

    Op macOS zien apps die vanuit het Dock worden gestart je shellprofiel niet. Start Cursor vanuit een terminal met cursor ..

  2. Voeg de server toe aan .cursor/mcp.json (of ~/.cursor/mcp.json voor elk project). Cursor vult de sleutel in, dus het bestand is veilig om te committen:

    .cursor/mcp.json
    {
      "mcpServers": {
        "spicrawl": {
          "url": "https://mcp.spicrawl.com/mcp",
          "headers": { "Authorization": "Bearer ${env:SPICRAWL_API_KEY}" }
        }
      }
    }
  3. Installeer de 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. Sla deze rule op als .cursor/rules/spicrawl.mdc. De agent leest hem wanneer een taak webdata betreft. Stel alwaysApply: true in om hem in elke chat op te nemen.

    .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. Open Cursor Settings → MCP. Controleer of spicrawl aan staat en 25 spicrawl_*-tools toont.

Een eerste taak om te proberen

Open de agent in Agent mode en vraag:

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.

De agent moet spicrawl_scrape aanroepen met format: "markdown". Hij moet render: true alleen toevoegen als het eerste resultaat leeg is.

Cloud agents

De cloudagents van Cursor draaien in een remote VM en kunnen dus de sleutel van je shell niet zien. Voeg de server toe in het Cursor-dashboard met de URL https://mcp.spicrawl.com/mcp en de header Authorization: Bearer plus je sleutel. Commit de sleutel niet. De skill en de rule komen uit de repository.

Wat het kan

De server geeft de agent 25 spicrawl_*-tools. Elke aanroep draait onder je API-sleutel, met dezelfde limieten en credits als een directe API-aanroep.

  • Lees één pagina: spicrawl_scrape geeft Markdown (de standaard), tekst, HTML, JSON of PDF terug.
  • Lees veel pagina's: spicrawl_batch_submit zet tot 10.000 URL's in de wachtrij. Volg het met spicrawl_batch_status en spicrawl_batch_results.
  • Pagina's achter een login: spicrawl_session_create bewaart cookies en opslag tussen aanroepen.
  • Een fout debuggen: spicrawl_requests_list en spicrawl_request_get.
  • Controleer het gebruik: spicrawl_usage_summary en de andere usage-tools. Die hebben een sleutel met de scope read nodig.
  • Dingen opzoeken: spicrawl_docs_search en spicrawl_docs_read doorzoeken en lezen de Spicrawl-docs.

Eén tool, spicrawl_browser_connect_url, staat in de lijst maar komt binnenkort. Bij spicrawl_scrape is het renderargument render, niet de js_render van de API.

Goed om te weten

  • Geen crawling. Spicrawl volgt geen links en zoekt geen pagina's. Geef de agent de URL's.
  • Credits per verzoek. Een gewone fetch is 1 credit. JavaScript-rendering is 3. Full-browser-rendering is 8.
  • Mislukkingen zijn gratis. Een mislukt verzoek kost 0 credits.
  • De cache bespaart tijd, geen credits. De cache bespaart tijd, geen credits.
  • Begrens elke aanroep. Stel max_cost in, en een verzoek dat meer zou kunnen kosten wordt geweigerd voordat het wordt uitgevoerd.
  • Binnenkort: beheerde proxy's, stealth-modus, een remote browser en AI-extractie op basis van een prompt in gewone taal. Nu kun je je eigen proxy meenemen.

Veelgestelde vragen

Is het veilig om .cursor/mcp.json te committen?

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.

Waarom toont de server een 401-fout?

SPICRAWL_API_KEY was niet ingesteld toen Cursor startte. Op macOS zien apps die vanuit het Dock worden gestart je shellprofiel niet. Start Cursor in plaats daarvan vanuit een terminal met cursor .

Werkt het met Cursor cloud agents?

Ja. Voeg de server toe in het Cursor-dashboard met de URL en je Authorization-header. Commit de sleutel niet. De skill en regel worden uit de repository gelezen.

De server staat in de lijst maar heeft geen tools. Wat nu?

Zet het uit en weer aan in Cursor Settings → MCP en open dan een nieuwe chat.

Wat kost elke pagina?

Een gewone fetch kost 1 credit, JavaScript-rendering 3 en volledige browserrendering 8. Mislukte verzoeken kosten 0. Een cachehit kost evenveel als de fetch die hem heeft opgeslagen. Vraag de agent om max_cost bij elk verzoek in te stellen zodat hij nooit meer uitgeeft dan je verwacht.