Web scraping w Gemini CLI
Dodaj serwer MCP Spicrawl do Gemini CLI. Będzie mógł wtedy czytać strony jako czysty Markdown.
Skonfiguruj
spicrawl init nie obsługuje Gemini CLI, więc wykonaj te kroki.
Ustaw klucz, a potem skopiuj go pod drugą nazwę:
bashexport SPICRAWL_API_KEY=spicrawl_live_... # add to your shell profile export SPICRAWL_MCP_BEARER="$SPICRAWL_API_KEY"Gemini CLI usuwa zmienne, które mają w nazwie
KEY,TOKEN,AUTHi podobne słowa, zanim uzupełni nagłówki. Dlatego$SPICRAWL_API_KEYbyłoby puste, a serwer odpowiedziałby 401.Dodaj serwer do
~/.gemini/settings.json(lub.gemini/settings.jsondla jednego projektu). UżyjhttpUrl, nieurl:~/.gemini/settings.json{ "mcpServers": { "spicrawl": { "httpUrl": "https://mcp.spicrawl.com/mcp", "headers": { "Authorization": "Bearer $SPICRAWL_MCP_BEARER" } } } }Albo dodaj ten sam wpis z wiersza poleceń. Pojedyncze cudzysłowy zachowują odwołanie do zmiennej w pliku:
bashgemini mcp add --scope user --transport http \ --header 'Authorization: Bearer $SPICRAWL_MCP_BEARER' \ spicrawl https://mcp.spicrawl.com/mcpZainstaluj skill, a potem uruchom
/skills reloadw działającej sesji: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.mdWklej tę sekcję do
GEMINI.mdw katalogu głównym projektu, a potem uruchom/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.Uruchom
geminii wpisz/mcp.spicrawlpowinien być połączony z 25 narzędziamispicrawl_*.
Pierwsze zadanie na próbę
Uruchom gemini 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.Agent powinien wywołać spicrawl_scrape z format: "markdown". Gemini CLI prosi o potwierdzenie każdego wywołania narzędzia, chyba że serwer ma "trust": true.
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
Dlaczego nie użyć SPICRAWL_API_KEY w nagłówku?
Gemini CLI usuwa zmienne, których nazwy zawierają KEY, TOKEN, AUTH i podobne słowa, zanim rozwinie nagłówki. $SPICRAWL_API_KEY byłby pusty, a serwer odpowiedziałby 401. Użyj SPICRAWL_MCP_BEARER.
Czy spicrawl init obsługuje Gemini CLI?
Nie. Wykonaj kroki ręczne z tej strony.
Czy użyć url, czy httpUrl?
Użyj httpUrl. W Gemini CLI url oznacza SSE, a serwer Spicrawl używa Streamable HTTP.
Czy jest rozszerzenie Spicrawl dla Gemini CLI?
Nie. Nie opublikowano rozszerzenia Spicrawl, więc użyj wpisu w ustawieniach.
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.