jina-style-reader-mcp

Clean Markdown URL Extractor, Quantitative/Qualitative Writing Style Recipe Analyzer & DuckDB Style Vault MCP Server (with Full SSRF & Indirect Prompt-Injection Defense)
Webページ・企業IR・官公庁資料からノイズのないクリーンなMarkdown本文を抽出し、「良い記事の構成・文体リズム」を定量・定性解析してローカルDuckDBのお手本辞書（style_templates）にストックできる1ツール特化型 MCP サーバー

English | 日本語ドキュメント

🌍 English Documentation

Why jina-style-reader-mcp?

When using Local LLMs (such as Qwen3-8B on LM Studio or Ollama) or cloud AI agents (Claude Desktop, Cursor, Cline) to read external web pages, corporate IR disclosures, or government white papers—and to write high-engagement articles—three major challenges arise:

1. HTML Noise & Token Waste: Raw HTML pages are bloated with ads, navigation menus, tracking scripts, and sidebar clutter that exhaust LLM context windows.

2. Difficulty Reproducing Great Writing Styles: Even when you find an article with a compelling opening hook, crisp heading rhythm, and natural prose cadence, translating that implicit "feel" into a reusable, structured writing template is difficult.

3. SSRF & Indirect Prompt-Injection Risks: Naive URL fetchers expose local services (localhost, 127.0.0.1, cloud metadata 169.254.169.254, private LANs) to Server-Side Request Forgery (SSRF) and pass untrusted web text containing hidden system instructions (<|im_start|>, [INST], System:) directly to the LLM.

jina-style-reader-mcp solves all three in a single, unified MCP tool (read_url_and_capture_style):

• Dual-Engine Clean Markdown Extraction (url): Queries https://r.jina.ai/<URL> for clean Markdown and automatically falls back to a built-in zero-dependency HTML-to-Markdown parser that strips ads, navbars, scripts, and footers while preserving headings (H1–H6), lists, code blocks, and Markdown tables.

• Quantitative & Qualitative Style Recipe Capture (save_style_as): Analyzes the extracted article across 3 structural dimensions—(1) Opening Hook Pattern, (2) H2/H3 Heading Granularity & Rhythm, and (3) Sentence Length, Paragraph Structure & Ending Style (です・ます polite vs. だ・である assertive vs. 体言止め noun-endings)—and saves the synthesized template directly into the style_templates table of a local DuckDB database (VAULT_DB_PATH).

• 100% Shared-Database Compatibility with multi-publisher-mcp: Styles captured via save_style_as (e.g., "人気noteランキング調", "東洋経済アナリスト調") can be immediately invoked by multi-publisher-mcp (style_name="人気noteランキング調") to generate 6-platform manuscripts in <1.0s.

✨ Single Unified Tool: read_url_and_capture_style

🔒 Enterprise-Grade Security Architecture

1. Complete SSRF Defense (Pre-Request, Post-DNS Resolution & Redirect Hop Re-Validation):

   • Permitted Schemes: Exclusively http:// and https:// (file://, ftp://, gopher://, javascript:, data:, dict:// are blocked).

   • Blocked Targets: localhost, 127.0.0.0/8, 0.0.0.0/8, ::1, cloud metadata endpoints (169.254.169.254, 169.254.0.0/16, metadata.google.internal, 100.100.100.200), private RFC 1918 networks (10.0.0.0/8, 172.16.0.0/12, 192.168.0.0/16), CGNAT (100.64.0.0/10), and IPv6 unique-local/link-local (fc00::/7, fe80::/10).

   • Obfuscated IP & DNS Rebinding Protection: Decodes integer (2130706433), hex (0x7f000001), octal (0177.0.0.1), short (127.1), and IPv4-mapped IPv6 (::ffff:127.0.0.1) literals, resolves DNS via socket.getaddrinfo(), and verifies that every resolved IP address is globally routable before connecting and across every HTTP redirect hop.

2. Indirect Prompt-Injection Neutralization & Boundary Tagging:

   • Strips control characters and neutralizes LLM system-spoofing markers (<|im_start|>, <|im_end|>, [INST], [/INST], <<SYS>>, System:, <system>, <instruction>, Ignore all previous instructions, and boundary-escape tags).

   • Wraps all returned external content inside <untrusted_web_content> and <untrusted_data> boundary tags.

3. Filesystem Sandboxing & Zero File Deletion:

   • Any optional file export uses Path.resolve() and relative_to() to strictly reject ../ path traversal or outside absolute paths. No file deletion APIs (os.remove, unlink, rmtree) exist in the codebase.

🚀 Quick Start

1. Installation

git clone https://github.com/japan-opendata-lab/jina-style-reader-mcp.git
cd jina-style-reader-mcp
pip install -e ".[dev]"
pytest -v

2. Configure in LM Studio (~/.lmstudio/mcp.json), Claude Desktop, or Cursor

{
  "mcpServers": {
    "jina-style-reader-mcp": {
      "command": "python",
      "args": [
        "-X",
        "utf8",
        "./oss_mcp/jina-style-reader-mcp/server.py"
      ],
      "env": {
        "PYTHONIOENCODING": "utf-8",
        "VAULT_DB_PATH": "./data/analyst_vault.duckdb",
        "READER_EXPORT_DIR": "./exports/reader_captures"
      }
    }
  }
}

🔗 Synergy Workflow: jina-style-reader-mcp + japan-data-mcp + multi-publisher-mcp

By sharing the same VAULT_DB_PATH (./data/analyst_vault.duckdb) between jina-style-reader-mcp and multi-publisher-mcp, your local LLM or AI agent becomes a style-aware research and publishing studio:

1. Step 1 — Read Reference URL & Capture Writing Style (jina-style-reader-mcp):

   {
     "tool": "read_url_and_capture_style",
     "arguments": {
       "url": "https://example.com/popular-data-ranking-article",
       "save_style_as": "人気noteランキング調"
     }
   }

   Extracts clean Markdown and saves the analyzed hook, H2/H3 rhythm, and sentence ending metrics as "人気noteランキング調" in analyst_vault.duckdb (style_templates).

2. Step 2 — Fetch Official Statistical Evidence (japan-data-mcp / correlation-discovery-mcp): Query normalized municipal and corporate datasets across 162 official data sources by municipality_code or corporate_number.

   • Companion MCP: japan-opendata-lab/japan-data-mcp

   • Companion MCP: japan-opendata-lab/correlation-discovery-mcp

3. Step 3 — One-Shot Publish in the Captured Style (multi-publisher-mcp):

   {
     "tool": "vault_and_publish",
     "arguments": {
       "action": "publish_all",
       "title": "全国市区町村の課税所得と住宅地価の乖離ランキング",
       "style_name": "人気noteランキング調",
       "data_records": [
         {"label": "千代田区", "income": 1085, "land_price": 295.0},
         {"label": "つくば市", "income": 542, "land_price": 9.8}
       ]
     }
   }

   • Companion MCP: japan-opendata-lab/multi-publisher-mcp

Related MCP server: agentfetch-mcp

🇯🇵 日本語ドキュメント

なぜ jina-style-reader-mcp が必要なのか？

ローカルLLM（LM Studio 上の Qwen3-8B 等）や Claude Desktop / Cursor に、Web記事・企業IR資料・官公庁の報道発表URLを読ませて調査や記事執筆を行わせる際、以下の3つの課題がありました。

1. HTMLノイズによるコンテキスト圧迫: 生のHTMLには広告、ナビゲーションメニュー、スクリプト、フッター等のノイズが大量に含まれ、LLMのトークン枠を無駄に消費します。

2. 「良い記事の構成・文体リズム」の再現性の低さ: 「この記事の導入フックや見出しの立て方、文末のリズムが良いな」と感じても、それを定量・定性的なルール（文体レシピ）として言語化・保存する仕組みがありませんでした。

3. SSRF（サーバーサイド・リクエスト・フォージェリ）と間接プロンプトインジェクションの脅威: 外部URLを無防備に取得するツールは、localhost や内部ネットワーク（192.168.x.x）、クラウドメタデータ（169.254.169.254）への不正アクセス踏み台にされたり、Webページ内に仕込まれたシステム命令偽装トークン（<|im_start|>, [INST], System:）によってLLMが乗っ取られるリスクがあります。

jina-style-reader-mcp は、これらすべてを たった1つの統合ツール（read_url_and_capture_style） で解決します。

✨ 1ツール統合仕様：read_url_and_capture_style

機能1：高精度Markdown抽出（url）

• https://r.jina.ai/<URL> によるMarkdown抽出と、内蔵のゼロ依存ローカルHTMLパーサー（CleanHTMLToMarkdownParser）への自動フォールバックを搭載。

• 広告バナー、グローバルナビ、サイドバー、スクリプト、スタイルシートを自動除去し、見出し（H1〜H6）、段落、箇条書き、Markdownテーブル（表）、引用、コードブロックを綺麗に保った本文を抽出します。

機能2：お手本文体レシピの定量・定性解析＆DuckDB保存（save_style_as）

save_style_as（例: "人気noteランキング調", "東洋経済アナリスト調"）を指定すると、抽出した記事から以下の3軸を自動解析し、ローカルDuckDB（VAULT_DB_PATH）の style_templates テーブルに保存します。

1. 冒頭フックの構造パターン（opening_hook_analysis）:

   • 「常識逆転×定量エビデンス提示型」「疑問・問いかけフック型」「課題提起・ペインポイント共感型」「結論・検証テーマ明示型」等のパターン判定と、再利用可能なリード文テンプレートの自動合成。

2. 見出し（H2/H3）の粒度・リズム（heading_rhythm_analysis）:

   • H2・H3見出しの個数、H2あたりの平均H3階層比率、見出しの平均文字数、1セクション（H2間）あたりの平均本文文字数、見出し表現の特徴（ナンバリング、【 】 括弧強調、疑問提起型等）を算出。

3. 平均文長・段落構成・語尾の特徴（sentence_and_ending_analysis）:

   • 総文数、平均文長・中央値文長、1段落あたりの平均文数・文字数、文字種比率（漢字・ひらがな・カタカナ・英数字比率）、および語尾の特徴（敬体 です・ます調 比率 vs 常体 だ・である調 比率 vs 体言止め 比率）を定量算出。

list_saved_styles=True を指定することで、保存済みの文体レシピ一覧をいつでも取得できます。

🔒 セキュリティ設計（SSRF完全防御 ＆ プロンプトインジェクション無害化）

1. SSRF（Server-Side Request Forgery）の完全防御:

   • http:// および https:// スキームのみを許可し、file://, ftp://, gopher://, javascript:, data: 等を完全拒否します。

   • localhost, 127.0.0.1, 0.0.0.0, ::1, クラウドメタデータ（169.254.x.x, metadata.google.internal）, プライベートIP帯（10.x.x.x, 172.16-31.x.x, 192.168.x.x）へのアクセスを、10進/8進/16進の難読化IP表記・DNS名前解決後の全IP・HTTPリダイレクト先を含めて完全にブロックします。

2. 間接プロンプトインジェクション無害化とデータ境界タグ:

   • 外部Webページのテキストに含まれるシステム命令偽装トークン（<|im_start|>, <|im_end|>, [INST], [/INST], <<SYS>>, System:, <system>, Ignore previous instructions, システム命令: 等）や境界脱出タグを [filtered] に無害化します。

   • 返却テキストは必ず <untrusted_web_content> および <untrusted_data> データ境界タグで二重に囲んで返却します。

3. ファイル出力サンドボックス:

   • export_filename 指定時は Path.resolve() と relative_to() によりパストラバーサル（../）や絶対パス指定を完全拒否し、ファイル削除機能は一切持ちません。

🔗 multi-publisher-mcp / japan-data-mcp との連携ワークフロー

環境変数 VAULT_DB_PATH（デフォルト ./data/analyst_vault.duckdb）を multi-publisher-mcp と共有することで、以下のワンストップ連携が実現します。

1. お手本記事の文体キャプチャ（jina-style-reader-mcp）: read_url_and_capture_style(url="https://...", save_style_as="東洋経済アナリスト調") を呼び出し、記事のクリーンなMarkdownを読み込むと同時に、構成・文体レシピを analyst_vault.duckdb の style_templates テーブルに登録。

2. 公的オープンデータの抽出・相関発見（japan-data-mcp / correlation-discovery-mcp）: japan-data-mcp や correlation-discovery-mcp で市区町村コード・法人番号に紐づく統計データを取得。

3. キャプチャした文体で6媒体一括パブリッシュ（multi-publisher-mcp）: vault_and_publish(action="publish_all", style_name="東洋経済アナリスト調", ...) を実行し、先ほどキャプチャした文体リズムを使って note / Zenn / Qiita / Dev.to / Medium / X の6媒体原稿＋グラフPNG＋Excel/CSVを1秒以内に一括生成！

📄 License

MIT License — Copyright (c) 2026 Japan Open Data Lab