Skip to main content
Glama
site-crawler-mcp

site-crawler-mcp

by coolaigit

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_source markiert)

  • ✅ 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.txt und 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

crawl_site

BFS-seitenweiter Crawl. Parameter: start_url, max_depth, max_pages, published_after/before, title_contains/title_exclude, url_pattern, include_external, respect_robots, rate_limit

scrape_page

Eine einzelne Seite scrapen (Markdown / Titel / Veröffentlichungszeit / Links)

summarize_page

Seiteninhalt zusammenfassen. mode=auto (LLM zuerst → lokaler Fallback) / llm / local; llm_provider (LiteLLM-Format, z.B. deepseek/deepseek-chat), llm_api_key_env (Standard DEEPSEEK_API_KEY)

click_link

Einen Link innerhalb der Seite klicken (selector CSS oder link_text) und die Zielseite scrapen

download_file

Seitendateien in das Ausgabeverzeichnis herunterladen (Standard E:\Reasonix-项目\crawler-output)

query_crawls

Gecrawlte Ergebnisse aus SQLite abfragen (Titel/URL/Zeitfilter)

Requirements

  • Python ≥ 3.12 (getestet auf 3.12.13)

  • uv empfohlen (optional — einfaches pip funktioniert auch)

  • Playwright-Browser: python -m playwright install chromium (oder PLAYWRIGHT_BROWSERS_PATH auf 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:

  1. URL-Ebene-Bereinigung — TimeRangeFilter / TitleFilter (URL-Datumsmuster, URL-Schlüsselwörter)

  2. Inhaltsebene — nach dem Abrufen jeder Seite wird die Veröffentlichungszeit aus <meta property="article:published_time">, JSON-LD datePublished, <time datetime>, oder YYYY/MM/DD in der URL extrahiert. Wenn keine gefunden wird, wird die Crawl-Zeit verwendet (Entscheidung als time_source dokumentiert).

Compliance

  • Respektiert standardmäßig robots.txt und 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

MIT

Basiert auf crawl4ai (Apache-2.0).

Available Tools

6 tools
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

    A3.5/5.0

    Scored across 6 tools

    Disambiguation5/5

    Each tool has a clearly distinct purpose: full site crawling, single page scraping, summarization, link clicking, file downloading, and querying. No overlap or ambiguity.

    Naming Consistency5/5

    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.

    Tool Count5/5

    With 6 tools, the server is well-scoped. It covers the essential operations for a site crawler without unnecessary bloat or missing functionality.

    Completeness4/5

    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

    Related MCP Servers

    • A
      license
      Not graded
      quality
      A
      maintenance
      Fetches 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
    • A
      license
      Not graded
      quality
      A
      maintenance
      Enables 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
    • A
      license
      Not graded
      quality
      B
      maintenance
      Enables 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