site-crawler-mcp
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.txty 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_crawlspara reutilizar datos rastreados en proyectos posteriores
Related MCP server: read-website-fast
Herramientas
Herramienta | Descripción |
| Rastreo BFS completo del sitio. Parámetros: |
| Extraer una sola página (markdown / título / fecha de publicación / enlaces) |
| Resumir el contenido de la página. |
| Hacer clic en un enlace dentro de la página ( |
| Descargar archivos de la página al directorio de salida (por defecto |
| 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
pipnormal)Navegadores Playwright:
python -m playwright install chromium(o apuntePLAYWRIGHT_BROWSERS_PATHa 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:
Poda a nivel de URL —
TimeRangeFilter/TitleFilter(patrones de fecha en URL, palabras clave en URL)A nivel de contenido — después de obtener cada página, la fecha de publicación se extrae de
<meta property="article:published_time">, JSON-LDdatePublished,<time datetime>, oYYYY/MM/DDen la URL. Si no se encuentra ninguna, se usa la hora de rastreo (decisión documentada comotime_source).
Cumplimiento
Respeta
robots.txty 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
Construido sobre 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