Web scraping in Gemini CLI
Voeg de Spicrawl MCP-server toe aan Gemini CLI. Het kan dan webpagina's als schone Markdown lezen.
Stel het in
spicrawl init ondersteunt Gemini CLI niet, dus volg deze stappen.
Stel je sleutel in en kopieer hem dan naar een tweede naam:
bashexport SPICRAWL_API_KEY=spicrawl_live_... # add to your shell profile export SPICRAWL_MCP_BEARER="$SPICRAWL_API_KEY"Gemini CLI verwijdert variabelen met
KEY,TOKEN,AUTHen vergelijkbare woorden in hun naam voordat het headers invult. Dus$SPICRAWL_API_KEYzou leeg zijn en de server zou met 401 antwoorden.Voeg de server toe aan
~/.gemini/settings.json(of.gemini/settings.jsonvoor één project). GebruikhttpUrl, nieturl:~/.gemini/settings.json{ "mcpServers": { "spicrawl": { "httpUrl": "https://mcp.spicrawl.com/mcp", "headers": { "Authorization": "Bearer $SPICRAWL_MCP_BEARER" } } } }Of voeg dezelfde entry toe vanaf de opdrachtregel. De enkele aanhalingstekens houden de variabeleverwijzing in het bestand:
bashgemini mcp add --scope user --transport http \ --header 'Authorization: Bearer $SPICRAWL_MCP_BEARER' \ spicrawl https://mcp.spicrawl.com/mcpInstalleer de skill en voer dan
/skills reloaduit in een lopende sessie: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.mdPlak dit gedeelte in
GEMINI.mdin de projectroot en voer dan/memory reloaduit: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.Start
geminien voer/mcpuit.spicrawlzou verbonden moeten zijn met 25spicrawl_*-tools.
Een eerste taak om te proberen
Start gemini in het project en vraag:
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". Gemini CLI vraagt je elke tool-aanroep te bevestigen, tenzij de server "trust": true heeft.
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_scrapegeeft Markdown (de standaard), tekst, HTML, JSON of PDF terug. - Lees veel pagina's:
spicrawl_batch_submitzet tot 10.000 URL's in de wachtrij. Volg het metspicrawl_batch_statusenspicrawl_batch_results. - Pagina's achter een login:
spicrawl_session_createbewaart cookies en opslag tussen aanroepen. - Een fout debuggen:
spicrawl_requests_listenspicrawl_request_get. - Controleer het gebruik:
spicrawl_usage_summaryen de andere usage-tools. Die hebben een sleutel met de scopereadnodig. - Dingen opzoeken:
spicrawl_docs_searchenspicrawl_docs_readdoorzoeken 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_costin, 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
Waarom niet SPICRAWL_API_KEY in de header gebruiken?
Gemini CLI verwijdert variabelen waarvan de naam KEY, TOKEN, AUTH en soortgelijke woorden bevat voordat het headers uitbreidt. $SPICRAWL_API_KEY zou leeg zijn en de server zou met 401 antwoorden. Gebruik SPICRAWL_MCP_BEARER.
Ondersteunt spicrawl init Gemini CLI?
Nee. Volg de handmatige stappen op deze pagina.
Moet ik url of httpUrl gebruiken?
Gebruik httpUrl. In Gemini CLI betekent url SSE, en de Spicrawl-server gebruikt Streamable HTTP.
Is er een Spicrawl-extensie voor Gemini CLI?
Nee. Er is geen Spicrawl-extensie gepubliceerd, dus gebruik de settings-entry.
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.