Веб-скрейпинг в Gemini CLI
Добавьте MCP-сервер Spicrawl в Gemini CLI. Тогда он сможет читать веб-страницы как чистый Markdown.
Настройте
spicrawl init не поддерживает Gemini CLI, поэтому выполните эти шаги.
Задайте ключ, затем скопируйте его под вторым именем:
bashexport SPICRAWL_API_KEY=spicrawl_live_... # add to your shell profile export SPICRAWL_MCP_BEARER="$SPICRAWL_API_KEY"Gemini CLI удаляет переменные со словами
KEY,TOKEN,AUTHи подобными в именах до подстановки заголовков. Поэтому$SPICRAWL_API_KEYокажется пустым, и сервер ответит 401.Добавьте сервер в
~/.gemini/settings.json(или.gemini/settings.jsonдля одного проекта). ИспользуйтеhttpUrl, а неurl:~/.gemini/settings.json{ "mcpServers": { "spicrawl": { "httpUrl": "https://mcp.spicrawl.com/mcp", "headers": { "Authorization": "Bearer $SPICRAWL_MCP_BEARER" } } } }Или добавьте ту же запись из командной строки. Одинарные кавычки сохраняют в файле ссылку на переменную:
bashgemini mcp add --scope user --transport http \ --header 'Authorization: Bearer $SPICRAWL_MCP_BEARER' \ spicrawl https://mcp.spicrawl.com/mcpУстановите навык, затем выполните
/skills reloadв запущенной сессии: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.mdВставьте этот раздел в
GEMINI.mdв корне проекта, затем выполните/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.Запустите
geminiи выполните/mcp.spicrawlдолжен быть подключён с 25 инструментамиspicrawl_*.
Первая задача для пробы
Запустите gemini 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.Агент должен вызвать spicrawl_scrape с format: "markdown". Gemini CLI просит подтверждать каждый вызов инструмента, если у сервера нет "trust": true.
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
Почему не использовать SPICRAWL_API_KEY в заголовке?
Gemini CLI удаляет переменные, в именах которых есть KEY, TOKEN, AUTH и похожие слова, прежде чем раскрывать заголовки. $SPICRAWL_API_KEY будет пустым, и сервер ответит 401. Используйте SPICRAWL_MCP_BEARER.
Поддерживает ли spicrawl init Gemini CLI?
Нет. Следуйте ручным шагам на этой странице.
Использовать url или httpUrl?
Используйте httpUrl. В Gemini CLI url означает SSE, а сервер Spicrawl использует Streamable HTTP.
Есть ли расширение Spicrawl для Gemini CLI?
Нет. Расширение Spicrawl не опубликовано, поэтому используйте запись в настройках.
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.