Web scraping w Codex
Dodaj serwer MCP Spicrawl do Codex. Będzie mógł wtedy czytać strony jako czysty Markdown.
Skonfiguruj
Trzy kroki dają Codex narzędzia, wiedzę do pisania kodu Spicrawl i reguły ich używania. Albo zrób wszystkie trzy za pomocą spicrawl init --client codex.
Ustaw swój klucz API:
bashexport SPICRAWL_API_KEY=spicrawl_live_... # add to your shell profileDodaj serwer MCP. Codex odczytuje klucz z
SPICRAWL_API_KEYprzy każdym połączeniu, więc klucz nigdy nie trafia do pliku:bashcodex mcp add spicrawl --url https://mcp.spicrawl.com/mcp --bearer-token-env-var SPICRAWL_API_KEYTo zapisuje to samo, co ta konfiguracja:
~/.codex/config.toml[mcp_servers.spicrawl] url = "https://mcp.spicrawl.com/mcp" bearer_token_env_var = "SPICRAWL_API_KEY"Dla jednego projektu umieść tabelę w
.codex/config.toml. Codex czyta ją tylko w zaufanych projektach.Zainstaluj skill:
bashmkdir -p .agents/skills/spicrawl curl -fsSL https://app.spicrawl.com/skill.md -o .agents/skills/spicrawl/SKILL.mdWklej tę sekcję do
AGENTS.mdw katalogu głównym projektu:AGENTS.md## Web data (Spicrawl) Use Spicrawl to read web pages: the spicrawl_* MCP tools, the `spicrawl` CLI, 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. - With the CLI, read stdout as JSON and branch on the exit code: 3 auth, 4 bad request, 5 limit, 6 site refused or failed, 7 proxy, 8 engine or extraction, 10 network. - Never print or commit SPICRAWL_API_KEY. Log `X-Request-Id` for failures.Sprawdź to za pomocą
codex mcp listlub/mcpw sesji. Powinieneś zobaczyć 25 narzędzispicrawl_*.
Albo użyj CLI
Codex działa w powłoce, więc CLI spicrawl działa bez żadnej konfiguracji. Po przekierowaniu wypisuje JSON i kończy działanie ze stałym kodem:
spicrawl scrape https://example.com/pricing --format markdown --max-cost 3 | jq -r .contentW chmurze Codex nie licz na serwer MCP. Użyj CLI lub zwykłego HTTP. Ustaw SPICRAWL_API_KEY jako zmienną środowiskową, a nie sekret, i zezwól na api.spicrawl.com w dostępie agenta do internetu.
Pierwsze zadanie na próbę
Uruchom codex w projekcie i zapytaj:
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.Co potrafi
Serwer daje agentowi 25 narzędzi spicrawl_*. Każde wywołanie działa na Twoim kluczu API, z tymi samymi limitami i kredytami co bezpośrednie wywołanie API.
- Przeczytaj jedną stronę:
spicrawl_scrapezwraca Markdown (domyślnie), tekst, HTML, JSON lub PDF. - Czytaj wiele stron:
spicrawl_batch_submitkolejkuje do 10,000 adresów URL. Potem użyjspicrawl_batch_statusispicrawl_batch_results. - Strony za logowaniem:
spicrawl_session_createzachowuje ciasteczka i storage między wywołaniami. - Zdiagnozuj błąd:
spicrawl_requests_listispicrawl_request_get. - Sprawdź użycie:
spicrawl_usage_summaryi pozostałe narzędzia użycia. Wymagają klucza z uprawnieniemread. - Wyszukuj informacje:
spicrawl_docs_searchispicrawl_docs_readprzeszukują i czytają dokumentację Spicrawl.
Jedno narzędzie, spicrawl_browser_connect_url, jest na liście, ale wkrótce. W spicrawl_scrape argument renderowania to render, a nie js_render z API.
Warto wiedzieć
- Bez crawlowania. Spicrawl nie podąża za linkami ani nie wyszukuje stron. Daj agentowi adresy URL.
- Kredyty na żądanie. Zwykłe pobranie to 1 kredyt. Renderowanie JavaScriptu to 3. Renderowanie w pełnej przeglądarce to 8.
- Błędy są darmowe. Nieudane żądanie kosztuje 0 kredytów.
- Cache oszczędza czas, a nie kredyty. Trafienie w cache kosztuje tyle samo co pobranie, które je zapisało.
- Ogranicz każde wywołanie. Ustaw
max_cost, a żądanie, które mogłoby kosztować więcej, zostanie odrzucone, zanim się wykona. - Wkrótce: zarządzane proxy, tryb stealth, zdalna przeglądarka i ekstrakcja AI z promptu w zwykłym języku. Dziś możesz użyć własnego proxy.
Najczęściej zadawane pytania
Gdzie Codex przechowuje serwer?
W ~/.codex/config.toml. Aby użyć go tylko w jednym projekcie, umieść tę samą tabelę w .codex/config.toml. Codex czyta konfigurację projektu tylko w zaufanych projektach.
Czy Codex może używać CLI zamiast MCP?
Tak. Codex działa w powłoce, więc może uruchomić spicrawl scrape URL --format markdown --max-cost 3. CLI wypisuje JSON przy przekazaniu potokiem i kończy się stabilnym kodem wyjścia.
Czy działa w chmurze Codex?
Nie licz tam na serwer MCP. Użyj CLI lub zwykłego HTTP. Ustaw SPICRAWL_API_KEY jako zmienną środowiskową (nie sekret) i zezwól na api.spicrawl.com w dostępie agenta do internetu.
Dlaczego serwer zwraca 401?
SPICRAWL_API_KEY nie był ustawiony w powłoce, która uruchomiła codex. Wyeksportuj go i uruchom nową sesję.
Ile kosztuje każda strona?
Zwykłe pobranie kosztuje 1 kredyt, renderowanie JavaScriptu 3, a renderowanie w pełnej przeglądarce 8. Nieudane żądania kosztują 0. Trafienie w cache kosztuje tyle samo, co pobranie, które je zapisało. Poproś agenta, aby ustawiał max_cost w każdym żądaniu, tak by nigdy nie wydał więcej, niż się spodziewasz.