Web scraping no Codex
Adicione o servidor MCP do Spicrawl ao Codex. Ele passa a ler páginas web como Markdown limpo.
Configure
Três passos dão ao Codex as ferramentas, o conhecimento para escrever código do Spicrawl e regras para usar os dois. Ou faça os três de uma vez com spicrawl init --client codex.
Defina a sua chave de API:
bashexport SPICRAWL_API_KEY=spicrawl_live_... # add to your shell profileAdicione o servidor MCP. O Codex lê a chave de
SPICRAWL_API_KEYa cada conexão, então a chave nunca vai parar em um arquivo:bashcodex mcp add spicrawl --url https://mcp.spicrawl.com/mcp --bearer-token-env-var SPICRAWL_API_KEYIsso grava o mesmo que esta configuração:
~/.codex/config.toml[mcp_servers.spicrawl] url = "https://mcp.spicrawl.com/mcp" bearer_token_env_var = "SPICRAWL_API_KEY"Para um único projeto, coloque a tabela em
.codex/config.toml. O Codex só a lê em projetos confiáveis.Instale a skill:
bashmkdir -p .agents/skills/spicrawl curl -fsSL https://app.spicrawl.com/skill.md -o .agents/skills/spicrawl/SKILL.mdCole esta seção em
AGENTS.mdna raiz do projeto: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.Confira com
codex mcp list, ou/mcpem uma sessão. Você deve ver 25 ferramentasspicrawl_*.
Ou use a CLI
O Codex trabalha em um shell, então a CLI spicrawl funciona sem nenhuma configuração. Ela imprime JSON quando usada em pipe e sai com um código estável:
spicrawl scrape https://example.com/pricing --format markdown --max-cost 3 | jq -r .contentNo Codex cloud, não conte com o servidor MCP. Use a CLI ou HTTP puro. Defina SPICRAWL_API_KEY como variável de ambiente, não como secret, e permita api.spicrawl.com no acesso do agente à internet.
Uma primeira tarefa para testar
Inicie codex no projeto e peça:
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.O que ele pode fazer
O servidor dá ao agente 25 ferramentas spicrawl_*. Cada chamada roda sob a sua chave de API, com os mesmos limites e créditos de uma chamada direta à API.
- Ler uma página:
spicrawl_scraperetorna Markdown (o padrão), texto, HTML, JSON ou PDF. - Ler várias páginas:
spicrawl_batch_submitenfileira até 10.000 URLs. Acompanhe comspicrawl_batch_statusespicrawl_batch_results. - Páginas atrás de um login:
spicrawl_session_createmantém cookies e armazenamento entre as chamadas. - Depure uma falha:
spicrawl_requests_listespicrawl_request_get. - Verifique o uso:
spicrawl_usage_summarye as outras ferramentas de uso. Elas exigem uma chave com o escoporead. - Pesquise coisas:
spicrawl_docs_searchespicrawl_docs_readpesquisam e leem a documentação do Spicrawl.
Uma ferramenta, spicrawl_browser_connect_url, está listada mas chega em breve. Em spicrawl_scrape, o argumento de renderização é render, não o js_render da API.
Bom saber
- Sem crawl. O Spicrawl não segue links nem encontra páginas. Dê as URLs ao agente.
- Créditos por requisição. Um fetch simples custa 1 crédito. A renderização JavaScript custa 3. A renderização em navegador completo custa 8.
- Falhas são grátis. Uma requisição que falha custa 0 crédito.
- O cache economiza tempo, não créditos. Um acerto de cache custa o mesmo que a busca que o guardou.
- Limite cada chamada. Defina
max_coste uma requisição que poderia custar mais é recusada antes de rodar. - Em breve: proxies gerenciados, modo stealth, um navegador remoto e extração com IA a partir de um prompt em linguagem natural. Hoje você pode usar seu próprio proxy.
Perguntas frequentes
Onde o Codex guarda o servidor?
Em ~/.codex/config.toml. Para usar em um único projeto, coloque a mesma tabela em .codex/config.toml. O Codex só lê a configuração de projeto em projetos confiáveis.
O Codex pode usar a CLI em vez do MCP?
Sim. O Codex trabalha em um shell, então pode rodar spicrawl scrape URL --format markdown --max-cost 3. A CLI imprime JSON quando recebe dados por pipe e sai com um código estável.
Funciona no Codex cloud?
Não conte com o servidor MCP nesse caso. Use a CLI ou HTTP simples. Defina SPICRAWL_API_KEY como variável de ambiente (não como segredo) e permita api.spicrawl.com no acesso à internet do agente.
Por que o servidor retorna 401?
SPICRAWL_API_KEY não estava definida no shell que iniciou o codex. Exporte-a e inicie uma nova sessão.
Quanto custa cada página?
Um fetch simples custa 1 crédito, a renderização JavaScript 3 e a renderização em navegador completo 8. Requisições com falha custam 0. Um acerto de cache custa o mesmo que o fetch que o armazenou. Peça ao agente para definir max_cost em cada requisição, para que ele nunca gaste mais do que você espera.