Веб-скрейпинг в Codex
Добавьте MCP-сервер Spicrawl в Codex. Тогда он сможет читать веб-страницы как чистый Markdown.
Настройте
Три шага дают Codex инструменты, знания для написания кода Spicrawl и правила их использования. Или выполните все три командой spicrawl init --client codex.
Задайте свой API-ключ:
bashexport SPICRAWL_API_KEY=spicrawl_live_... # add to your shell profileДобавьте MCP-сервер. Codex читает ключ из
SPICRAWL_API_KEYпри каждом подключении, поэтому ключ никогда не попадает в файл:bashcodex mcp add spicrawl --url https://mcp.spicrawl.com/mcp --bearer-token-env-var SPICRAWL_API_KEYЭто записывает то же самое, что и эта конфигурация:
~/.codex/config.toml[mcp_servers.spicrawl] url = "https://mcp.spicrawl.com/mcp" bearer_token_env_var = "SPICRAWL_API_KEY"Только для одного проекта поместите таблицу в
.codex/config.toml. Codex читает её только в доверенных проектах.Установите навык:
bashmkdir -p .agents/skills/spicrawl curl -fsSL https://app.spicrawl.com/skill.md -o .agents/skills/spicrawl/SKILL.mdВставьте этот раздел в
AGENTS.mdв корне проекта: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.Проверьте командой
codex mcp listили/mcpв сессии. Вы должны увидеть 25 инструментовspicrawl_*.
Или используйте CLI
Codex работает в оболочке, поэтому CLI spicrawl работает вообще без конфигурации. При передаче по конвейеру он печатает JSON и завершается со стабильным кодом:
spicrawl scrape https://example.com/pricing --format markdown --max-cost 3 | jq -r .contentВ облаке Codex не рассчитывайте на MCP-сервер. Используйте CLI или обычный HTTP. Задайте SPICRAWL_API_KEY как переменную окружения, а не секрет, и разрешите api.spicrawl.com в доступе агента к интернету.
Первая задача для пробы
Запустите codex в проекте и спросите:
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.Что он умеет
Сервер даёт агенту 25 инструментов spicrawl_*. Каждый вызов выполняется под вашим API-ключом с теми же лимитами и кредитами, что и прямой вызов API.
- Прочитайте одну страницу:
spicrawl_scrapeвозвращает Markdown (по умолчанию), текст, HTML, JSON или PDF. - Читайте много страниц:
spicrawl_batch_submitставит в очередь до 10 000 URL. Затем используйтеspicrawl_batch_statusиspicrawl_batch_results. - Страницы за входом:
spicrawl_session_createсохраняет cookies и хранилище между вызовами. - Отладьте сбой:
spicrawl_requests_listиspicrawl_request_get. - Проверьте использование:
spicrawl_usage_summaryи остальные инструменты учёта использования. Им нужен ключ с областью доступаread. - Ищите информацию:
spicrawl_docs_searchиspicrawl_docs_readищут и читают документацию Spicrawl.
Один инструмент, spicrawl_browser_connect_url, есть в списке, но скоро появится. В spicrawl_scrape аргумент рендеринга — render, а не js_render из API.
Полезно знать
- Без обхода. Spicrawl не переходит по ссылкам и не находит страницы. Дайте агенту URL.
- Кредитов за запрос. Обычная загрузка — 1 кредит. Рендеринг JavaScript — 3. Полный рендеринг в браузере — 8.
- Сбои бесплатны. Неудачный запрос стоит 0 кредитов.
- Кэш экономит время, а не кредиты. Попадание в кеш стоит столько же, сколько загрузка, которая его сохранила.
- Ограничьте каждый вызов. Задайте
max_cost, и запрос, который мог бы стоить дороже, отклоняется до выполнения. - Скоро: управляемые прокси, режим stealth, удалённый браузер и AI-извлечение данных по запросу на обычном языке. Сейчас можно подключить собственный прокси.
Часто задаваемые вопросы
Где Codex хранит сервер?
В ~/.codex/config.toml. Чтобы использовать его только в одном проекте, поместите ту же таблицу в .codex/config.toml. Codex читает конфигурацию проекта только в доверенных проектах.
Может ли Codex использовать CLI вместо MCP?
Да. Codex работает в оболочке, поэтому может выполнить spicrawl scrape URL --format markdown --max-cost 3. CLI выводит JSON при передаче по конвейеру и завершается со стабильным кодом.
Работает ли он в облаке Codex?
Не рассчитывайте там на MCP-сервер. Используйте CLI или обычный HTTP. Задайте SPICRAWL_API_KEY как переменную окружения (не секрет) и разрешите api.spicrawl.com в доступе агента к интернету.
Почему сервер возвращает 401?
SPICRAWL_API_KEY не был задан в оболочке, которая запустила codex. Экспортируйте его и начните новую сессию.
Сколько стоит каждая страница?
Обычный запрос стоит 1 кредит, рендеринг JavaScript 3, а рендеринг в полноценном браузере 8. Неудачные запросы стоят 0. Попадание в кэш стоит столько же, сколько запрос, который его сохранил. Попросите агента задавать max_cost в каждом запросе, чтобы он никогда не тратил больше, чем вы ожидаете.