Spicrawl теперь работает с OpenAI Agents SDK, LangChain, Codex, Claude Code и другими.Смотреть интеграции
Перейти к содержимому

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.

  1. Задайте ключ, затем скопируйте его под вторым именем:

    bash
    export 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, AUTH и подобными в именах до подстановки заголовков. Поэтому $SPICRAWL_API_KEY окажется пустым, и сервер ответит 401.

  2. Добавьте сервер в ~/.gemini/settings.json (или .gemini/settings.json для одного проекта). Используйте httpUrl, а не url:

    ~/.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:

    bash
    gemini mcp add --scope user --transport http \
      --header 'Authorization: Bearer $SPICRAWL_MCP_BEARER' \
      spicrawl https://mcp.spicrawl.com/mcp
  3. Установите навык, затем выполните /skills reload в запущенной сессии:

    bash
    spicrawl 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.md
  4. Вставьте этот раздел в GEMINI.md в 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.
  5. Запустите gemini и выполните /mcp. spicrawl должен быть подключён с 25 инструментами spicrawl_*.

Первая задача для пробы

Запустите gemini в проекте и спросите:

prompt
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_scrape возвращает Markdown (по умолчанию), текст, HTML, JSON или PDF.
  • Читайте много страниц: spicrawl_batch_submit ставит в очередь до 10 000 URL. Затем используйте spicrawl_batch_status и spicrawl_batch_results.
  • Страницы за входом: spicrawl_session_create сохраняет cookies и хранилище между вызовами.
  • Отладьте сбой: spicrawl_requests_list и spicrawl_request_get.
  • Проверьте использование: spicrawl_usage_summary и остальные инструменты учёта использования. Им нужен ключ с областью доступа read.
  • Ищите информацию: spicrawl_docs_search и spicrawl_docs_read ищут 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.