Skip to main content
Glama
site-crawler-mcp

site-crawler-mcp

by coolaigit

site-crawler-mcp

Un servidor MCP de rastreo completo del sitio construido sobre crawl4ai (Apache-2.0). Rastrea todos los enlaces internos de un sitio web como un spider de motor de búsqueda (BFS), filtra páginas por fecha de publicación / título / URL, y puede operar sobre páginas rastreadas (resumir, hacer clic en enlaces, descargar archivos). Los resultados se devuelven como JSON y se persisten en SQLite para su reutilización por cualquier proyecto.

Resumen en español: un MCP de rastreo completo de enlaces internos «como el crawler de Google». Basado en crawl4ai con encapsulación propia, admite recorrido BFS completo del sitio, filtrado por fecha/título/URL, operaciones en páginas (resumen LLM/clic en enlaces/descarga de archivos), resultados en JSON + persistencia en SQLite. Regístrelo en Reasonix / Claude Desktop / Cursor o cualquier cliente MCP para reutilizarlo globalmente.

Características

  • ✅ Rastreo BFS completo del sitio — recorre todos los enlaces internos (max_depth / max_page controlables)

  • ✅ Filtro de tiempo — extrae la fecha de publicación de metadatos de página / JSON-LD / URL primero, recurre a la hora de rastreo cuando no está disponible (resultado etiquetado con time_source)

  • ✅ Filtro de título — incluir/excluir por palabra clave en el título (sin distinción de mayúsculas/minúsculas)

  • ✅ Filtros de patrón URL y dominio — coincidencia glob/regex de URL, restricción al mismo dominio

  • ✅ Rastreo educado — respeta robots.txt y limita la tasa por defecto (configurable)

  • ✅ Operaciones en páginas — resumen LLM (LiteLLM: DeepSeek / GLM / OpenAI…, fallback local), hacer clic en un enlace específico (selector CSS o texto del enlace), descargar archivos

  • ✅ Persistencia en SQLite — herramienta query_crawls para reutilizar datos rastreados en proyectos posteriores

Related MCP server: read-website-fast

Herramientas

Herramienta

Descripción

crawl_site

Rastreo BFS completo del sitio. Parámetros: start_url, max_depth, max_pages, published_after/before, title_contains/title_exclude, url_pattern, include_external, respect_robots, rate_limit

scrape_page

Extraer una sola página (markdown / título / fecha de publicación / enlaces)

summarize_page

Resumir el contenido de la página. mode=auto (LLM primero → fallback local) / llm / local; llm_provider (formato LiteLLM, ej. deepseek/deepseek-chat), llm_api_key_env (por defecto DEEPSEEK_API_KEY)

click_link

Hacer clic en un enlace dentro de la página (selector CSS o link_text) y extraer la página de destino

download_file

Descargar archivos de la página al directorio de salida (por defecto E:\Reasonix-项目\crawler-output)

query_crawls

Consultar resultados de rastreo persistidos desde SQLite (filtros de título/URL/tiempo)

Requisitos

  • Python ≥ 3.12 (probado en 3.12.13)

  • uv recomendado (opcional — también funciona con pip normal)

  • Navegadores Playwright: python -m playwright install chromium (o apunte PLAYWRIGHT_BROWSERS_PATH a una instalación de navegador existente)

Instalar y Registrar

# 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"]

Para Claude Desktop / Cursor, agregue los mismos command/args bajo mcpServers en sus archivos de configuración.

Inicio Rápido (API de Python)

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())

Cómo funciona el filtro de tiempo

Los filtros de URL de crawl4ai solo funcionan sobre las URL, por lo que aquí se implementa el filtrado a nivel de contenido:

  1. Poda a nivel de URL — TimeRangeFilter / TitleFilter (patrones de fecha en URL, palabras clave en URL)

  2. A nivel de contenido — después de obtener cada página, la fecha de publicación se extrae de <meta property="article:published_time">, JSON-LD datePublished, <time datetime>, o YYYY/MM/DD en la URL. Si no se encuentra ninguna, se usa la hora de rastreo (decisión documentada como time_source).

Cumplimiento

  • Respeta robots.txt y límites de tasa por defecto para evitar estresar los sitios de destino o ser bloqueado por IP.

  • Para aprendizaje / investigación / sus propios sitios; siga los Términos de Servicio de los sitios de destino y las leyes locales.

Licencia

MIT

Construido sobre 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