Spicrawl nay hoạt động với OpenAI Agents SDK, LangChain, Codex, Claude Code và nhiều hơn nữa.Xem các tích hợp
Chuyển đến nội dung

Web scraping trong Gemini CLI

Thêm MCP server Spicrawl vào Gemini CLI. Khi đó nó có thể đọc trang web dưới dạng Markdown sạch.

Thiết lập

spicrawl init không hỗ trợ Gemini CLI, vì vậy hãy làm theo các bước này.

  1. Đặt key của bạn, rồi sao chép nó sang một tên thứ hai:

    bash
    export SPICRAWL_API_KEY=spicrawl_live_...   # add to your shell profile
    export SPICRAWL_MCP_BEARER="$SPICRAWL_API_KEY"

    Gemini CLI xóa các biến có KEY, TOKEN, AUTH và các từ tương tự trong tên trước khi điền header. Vì vậy $SPICRAWL_API_KEY sẽ rỗng và server sẽ trả lời 401.

  2. Thêm server vào ~/.gemini/settings.json (hoặc .gemini/settings.json cho một project). Dùng httpUrl, không phải url:

    ~/.gemini/settings.json
    {
      "mcpServers": {
        "spicrawl": {
          "httpUrl": "https://mcp.spicrawl.com/mcp",
          "headers": { "Authorization": "Bearer $SPICRAWL_MCP_BEARER" }
        }
      }
    }

    Hoặc thêm cùng mục đó từ dòng lệnh. Dấu nháy đơn giữ tham chiếu biến trong tệp:

    bash
    gemini mcp add --scope user --transport http \
      --header 'Authorization: Bearer $SPICRAWL_MCP_BEARER' \
      spicrawl https://mcp.spicrawl.com/mcp
  3. Cài skill, rồi chạy /skills reload trong một session đang chạy:

    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. Dán phần này vào GEMINI.md ở thư mục gốc của project, rồi chạy /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. Khởi động gemini và chạy /mcp. spicrawl sẽ được kết nối với 25 tool spicrawl_*.

Một tác vụ đầu tiên để thử

Khởi động gemini trong project và hỏi:

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.

Agent nên gọi spicrawl_scrape với format: "markdown". Gemini CLI yêu cầu bạn xác nhận từng lệnh gọi tool trừ khi server có "trust": true.

Nó làm được gì

Server cung cấp cho agent 25 tool spicrawl_*. Mỗi lệnh gọi chạy dưới API key của bạn, với cùng giới hạn và credit như một lệnh gọi API trực tiếp.

  • Đọc một trang: spicrawl_scrape trả về Markdown (mặc định), text, HTML, JSON hoặc PDF.
  • Đọc nhiều trang: spicrawl_batch_submit xếp hàng tới 10,000 URL. Sau đó dùng spicrawl_batch_status và spicrawl_batch_results.
  • Trang sau màn hình đăng nhập: spicrawl_session_create giữ cookie và bộ nhớ lưu trữ giữa các lệnh gọi.
  • Gỡ lỗi một sự cố: spicrawl_requests_list và spicrawl_request_get.
  • Kiểm tra mức dùng: spicrawl_usage_summary và các tool về mức dùng khác. Các tool này cần key có scope read.
  • Tra cứu: spicrawl_docs_search và spicrawl_docs_read tìm kiếm và đọc tài liệu Spicrawl.

Có một tool, spicrawl_browser_connect_url, được liệt kê nhưng sắp ra mắt. Trên spicrawl_scrape, đối số render là render, không phải js_render của API.

Nên biết

  • Không crawl. Spicrawl không đi theo liên kết hay tự tìm trang. Hãy đưa các URL cho agent.
  • Credit cho mỗi request. Một lần fetch thường là 1 credit. Render JavaScript là 3. Render bằng trình duyệt đầy đủ là 8.
  • Thất bại là miễn phí. Request thất bại tốn 0 credit.
  • Cache tiết kiệm thời gian, không tiết kiệm credit. Một lần trúng cache tốn bằng lần fetch đã lưu nó.
  • Giới hạn từng lệnh gọi. Đặt max_cost, và một request có thể tốn nhiều hơn sẽ bị từ chối trước khi chạy.
  • Sắp ra mắt: proxy được quản lý, chế độ stealth, trình duyệt từ xa và trích xuất AI từ một prompt bằng ngôn ngữ thường. Hiện tại bạn có thể dùng proxy của riêng mình.

Câu hỏi thường gặp

Tại sao không dùng SPICRAWL_API_KEY trong header?

Gemini CLI xóa các biến có tên chứa KEY, TOKEN, AUTH và các từ tương tự trước khi nó mở rộng header. $SPICRAWL_API_KEY sẽ trống và server sẽ trả lời 401. Hãy dùng SPICRAWL_MCP_BEARER.

spicrawl init có hỗ trợ Gemini CLI không?

Không. Hãy làm theo các bước thủ công trên trang này.

Tôi nên dùng url hay httpUrl?

Dùng httpUrl. Trong Gemini CLI, url nghĩa là SSE, còn server Spicrawl dùng Streamable HTTP.

Có extension Spicrawl cho Gemini CLI không?

Không. Chưa có extension Spicrawl nào được xuất bản, nên hãy dùng mục trong settings.

Mỗi trang tốn bao nhiêu?

Một lần fetch thường tốn 1 credit, render JavaScript 3 và render bằng trình duyệt đầy đủ 8. Request thất bại tốn 0. Cache hit tốn bằng với lần fetch đã lưu nó. Hãy yêu cầu agent đặt max_cost cho mỗi request để nó không bao giờ tiêu nhiều hơn bạn dự kiến.