Web scraping no Gemini CLI
Adicione o servidor MCP do Spicrawl ao Gemini CLI. Ele passa a ler páginas web como Markdown limpo.
Configure
spicrawl init não é compatível com o Gemini CLI, então siga estes passos.
Defina a sua chave e depois copie-a para um segundo nome:
bashexport SPICRAWL_API_KEY=spicrawl_live_... # add to your shell profile export SPICRAWL_MCP_BEARER="$SPICRAWL_API_KEY"O Gemini CLI remove variáveis com
KEY,TOKEN,AUTHe palavras parecidas nos nomes antes de preencher os cabeçalhos. Então$SPICRAWL_API_KEYficaria vazio e o servidor responderia 401.Adicione o servidor a
~/.gemini/settings.json(ou a.gemini/settings.jsonpara um projeto). UsehttpUrl, nãourl:~/.gemini/settings.json{ "mcpServers": { "spicrawl": { "httpUrl": "https://mcp.spicrawl.com/mcp", "headers": { "Authorization": "Bearer $SPICRAWL_MCP_BEARER" } } } }Ou adicione a mesma entrada pela linha de comando. As aspas simples mantêm a referência à variável no arquivo:
bashgemini mcp add --scope user --transport http \ --header 'Authorization: Bearer $SPICRAWL_MCP_BEARER' \ spicrawl https://mcp.spicrawl.com/mcpInstale a skill e depois rode
/skills reloadem uma sessão em andamento: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.mdCole esta seção em
GEMINI.mdna raiz do projeto e depois rode/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.Inicie
geminie rode/mcp.spicrawldeve aparecer conectado com 25 ferramentasspicrawl_*.
Uma primeira tarefa para testar
Inicie gemini 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 agente deve chamar spicrawl_scrape com format: "markdown". O Gemini CLI pede que você confirme cada chamada de ferramenta, a menos que o servidor tenha "trust": true.
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
Por que não usar SPICRAWL_API_KEY no cabeçalho?
O Gemini CLI remove variáveis cujos nomes contêm KEY, TOKEN, AUTH e palavras parecidas antes de expandir os cabeçalhos. $SPICRAWL_API_KEY ficaria vazia e o servidor responderia 401. Use SPICRAWL_MCP_BEARER.
O spicrawl init oferece suporte ao Gemini CLI?
Não. Siga os passos manuais desta página.
Devo usar url ou httpUrl?
Use httpUrl. No Gemini CLI, url significa SSE, e o servidor do Spicrawl usa Streamable HTTP.
Existe uma extensão do Spicrawl para o Gemini CLI?
Não. Nenhuma extensão do Spicrawl foi publicada, então use a entrada em settings.
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.