site-crawler-mcp
site-crawler-mcp
Ein seitenweiter Crawler MCP Server basierend auf crawl4ai (Apache-2.0). Es crawlt jeden internen Link einer Website wie eine Suchmaschinen-Spinne (BFS), filtert Seiten nach Veröffentlichungszeit / Titel / URL und kann auf gecrawlten Seiten Operationen durchführen (zusammenfassen, Links klicken, Dateien herunterladen). Ergebnisse werden als JSON zurückgegeben und in SQLite gespeichert, um sie von jedem Projekt wiederzuverwenden.
中文简介:一个「像谷歌爬虫一样」的全站内链爬虫 MCP。基于 crawl4ai 自研封装, 支持 BFS 全站遍历、时间/标题/URL 筛选、页面操作(LLM 概括/点击链接/下载文件)、 结果 JSON 返回 + SQLite 持久化。注册到 Reasonix / Claude Desktop / Cursor 等任意 MCP 客户端即可全局复用。
Features
✅ Seitenweiter BFS-Crawl — durchläuft alle internen Links (max_depth / max_pages steuerbar)
✅ Zeitfilter — extrahiert Veröffentlichungszeit aus Seiten-Meta / JSON-LD / URL zuerst, fällt auf Crawl-Zeit zurück, wenn nicht verfügbar (Ergebnis mit
time_sourcemarkiert)✅ Titelfilter — ein-/ausschließen nach Titel-Schlüsselwort (groß-/kleinschreibungsunabhängig)
✅ URL-Muster & Domain-Filter — Glob/Regex-URL-Abgleich, Einschränkung auf gleiche Domain
✅ Höfliches Crawling — respektiert standardmäßig
robots.txtund Rate-Limits (umschaltbar)✅ Seitenoperationen — LLM-Zusammenfassung (LiteLLM: DeepSeek / GLM / OpenAI…, lokaler Fallback), Klick auf einen bestimmten Link (CSS-Selektor oder Linktext), Dateien herunterladen
✅ SQLite-Persistenz —
query_crawls-Tool zur Wiederverwendung von gecrawlten Daten in späteren Projekten
Related MCP server: read-website-fast
Tools
Tool | Beschreibung |
| BFS-seitenweiter Crawl. Parameter: |
| Eine einzelne Seite scrapen (Markdown / Titel / Veröffentlichungszeit / Links) |
| Seiteninhalt zusammenfassen. |
| Einen Link innerhalb der Seite klicken ( |
| Seitendateien in das Ausgabeverzeichnis herunterladen (Standard |
| Gecrawlte Ergebnisse aus SQLite abfragen (Titel/URL/Zeitfilter) |
Requirements
Python ≥ 3.12 (getestet auf 3.12.13)
uv empfohlen (optional — einfaches
pipfunktioniert auch)Playwright-Browser:
python -m playwright install chromium(oderPLAYWRIGHT_BROWSERS_PATHauf eine vorhandene Browser-Installation setzen)
Install & Register
# 1. Create environment & install
uv venv .venv --python 3.12
uv pip install --python .venv\Scripts\python.exe crawl4ai "mcp>=1.2,<2"
uv pip install --python .venv\Scripts\python.exe -e .
# 2. Install browser (once)
.venv\Scripts\python.exe -m playwright install chromium
# 3. Register as MCP server (example for Reasonix config.toml)
[[plugins]]
name = "site-crawler-mcp"
type = "stdio"
command = "C:\\path\\to\\site-crawler-mcp\\.venv\\Scripts\\python.exe"
args = ["-m", "site_crawler_mcp.server"]Für Claude Desktop / Cursor fügen Sie die gleichen command/args unter mcpServers in deren Konfigurationsdateien hinzu.
Quick Start (Python API)
import asyncio
from mcp import ClientSession, StdioServerParameters
from mcp.client.stdio import stdio_client
async def main():
params = StdioServerParameters(command="python", args=["-m", "site_crawler_mcp.server"])
async with stdio_client(params) as (read, write):
async with ClientSession(read, write) as session:
await session.initialize()
res = await session.call_tool("crawl_site", {
"start_url": "https://example.com",
"max_depth": 2,
"max_pages": 20,
"title_contains": "Example",
})
print(res.content[0].text)
asyncio.run(main())How the time filter works
crawl4ai's URL-Filter arbeiten nur auf URLs, daher wird hier inhaltsbezogenes Filtern implementiert:
URL-Ebene-Bereinigung —
TimeRangeFilter/TitleFilter(URL-Datumsmuster, URL-Schlüsselwörter)Inhaltsebene — nach dem Abrufen jeder Seite wird die Veröffentlichungszeit aus
<meta property="article:published_time">, JSON-LDdatePublished,<time datetime>, oderYYYY/MM/DDin der URL extrahiert. Wenn keine gefunden wird, wird die Crawl-Zeit verwendet (Entscheidung alstime_sourcedokumentiert).
Compliance
Respektiert standardmäßig
robots.txtund Rate-Limits, um Zielseiten nicht zu belasten oder IP-Sperren zu riskieren.Für Lern-/Forschungs-/eigene Websites; bitte befolgen Sie die AGB der Zielseiten und lokale Gesetze.
License
Basiert auf crawl4ai (Apache-2.0).
Available Tools
6 toolsclick_linkC
点击页面内指定链接(CSS selector 或链接文本)并抓取目标页内容。
Inputs: url (required), selector, link_text.
crawl_siteA
BFS 全站爬取(谷歌爬虫式):从 start_url 遍历站内所有内链。
筛选:published_after/before(ISO 时间,发布时间优先、抓取时间兜底)、 title_contains/title_exclude(标题包含)、url_pattern(glob/regex 模式)。 默认遵守 robots.txt 并按 0.5s/请求限速,可关闭。 结果 JSON 返回并持久化到 SQLite。
Inputs: start_url (required), max_depth, max_pages, rate_limit, +7 more.
download_fileC
下载页面文件(图片/文档等)到 E:\Reasonix-项目\crawler-output。
Inputs: url (required), filename.
query_crawlsC
查询已持久化的爬取结果(SQLite),供其它项目复用。
Inputs: limit, success_only, url_contains, title_contains, +2 more.
scrape_pageA
抓取单个页面,返回 markdown、标题、发布时间与链接列表,并持久化。
Inputs: url (required), respect_robots.
summarize_pageA
概括页面内容。mode: auto(LLM 优先,失败回落本地)/ llm / local。
llm_provider 如 "deepseek/deepseek-chat" 或 "openai/gpt-4o-mini"(LiteLLM 格式); llm_api_key_env 指定 API key 的环境变量名(默认 DEEPSEEK_API_KEY)。
Inputs: url (required), mode, llm_provider, llm_api_key_env.
Tool Schema Changelog
Recent tool additions, removals, and schema changes observed during successful MCP inspections.
Loading tool schema changelog…
TDQS
Scored across 6 tools
Each tool has a clearly distinct purpose: full site crawling, single page scraping, summarization, link clicking, file downloading, and querying. No overlap or ambiguity.
All tools follow a consistent verb_noun pattern in snake_case (e.g., crawl_site, scrape_page, query_crawls), making the tool set predictable and easy to navigate.
With 6 tools, the server is well-scoped. It covers the essential operations for a site crawler without unnecessary bloat or missing functionality.
The tool set covers core workflows: crawling, scraping, summarizing, interacting, downloading, and querying. Minor gaps like explicit crawl session management or update/delete operations exist, but the surface is largely complete for typical use cases.
Related MCP Connectors
Crawl a site for SEO issues per page and broken links. Respects robots.txt.
Web search, URL content extraction to Markdown, site mapping, and recursive web crawler.
Crawl a website into clean Markdown for LLMs/RAG: main content only, linked docs converted.
Crawls any documentation or SaaS site and compiles a standards-compliant /llms.txt manifest and J.
Related MCP Servers
- FlicenseNot gradedqualityAmaintenanceFetches web content locally, removes clutter, and converts pages to clean Markdown for efficient LLM consumption, with optional crawling and caching.-
- AlicenseNot gradedqualityAmaintenanceFetches webpages and crawls sites locally, stripping noise and converting content into clean, link-preserving Markdown with a minimal token footprint. Supports configurable crawl depth, concurrency, robots.txt compliance, and caching for efficient AI agent and LLM pipelines.MIT
- AlicenseNot gradedqualityAmaintenanceEnables AI agents and MCP clients to fetch webpages locally, strip noise, preserve links, and convert content into clean, token-efficient Markdown, with optional depth crawling, caching, and robots.txt-aware rate limiting.MIT
- AlicenseNot gradedqualityBmaintenanceEnables AI agents to crawl websites, follow internal links, render JavaScript pages, and extract clean main text and linked PDF tables into structured records. It exposes a crawl tool over stdio that returns records inline and writes a complete JSONL file.MIT