scrape-mcp

⚠️ 这是 scrape-mcp 的官方源仓库（upstream）。 若在别处看到同名/相似项目并带不同作者署名，即为转载或派生，非原作者发布。

反爬感知抓取 + 极省 Token 内容精简的 MCP Server —— 让 AI 读真实网页时，只花 1%~5% 的 token 就能拿到干净、真实、免登录的正文。

自动化分三层应对：默认 curl_cffi（伪装 TLS/JA3 + HTTP2）低成本打头阵，命中 Cloudflare/验证码/WAF 才升级 Playwright 真浏览器渲染；遇到"登录才给内容"的站，先弹窗手动登录一次、登录态落盘，之后自动带上、过期会提示重登。

简体中文 | English

---

⚡ 60 秒入门

方式 A：一键安装（推荐，零配置）

pip install mcp-scrape
# 或从源码：cd scrape-mcp && pip install -e .

然后本机任意目录即可：

scrape-mcp --version          # 确认装好（应输出 0.x）
claude                        # 在支持 MCP 的客户端里把它当服务接入

不再需要 clone、手动设 PYTHONPATH 或 python -m；scrape-mcp 命令在任意目录可用， 默认 stdio 直接被 MCP 客户端接管。想用 HTTP 直连（Postman/curl），跑 scrape-mcp --transport streamable-http --port 8000。

方式 B：一键演示（拉源仓库跑 web_fetch + web_extract，看省 token 效果）

git clone https://github.com/guanyuyan/scrape-mcp.git
cd scrape-mcp
python -m venv .venv && .venv\Scripts\pip install -e .
.venv\Scripts\python scripts\demo.py

预计输出（对不同站点自动选 L1/L2 分级，给出省 token 压缩比）：

=== 文档站 | https://developer.mozilla.org/zh-CN/docs/Web/HTTP/CORS
  ok=True tier=l1 status=200 html=260128B → tokens=3730 (约 5.7% 压缩)
  标题: 跨源资源共享（CORS） - HTTP | MDN
  ok=True tier=l1 data={"heading": "跨源资源共享（CORS）", "h2_count": 10, "links": 665}

第 2 步：接入 MCP 客户端（Claude / Cursor 等，一条命令写好配置）

scrape-mcp init --client cursor --write     # claude / vscode / json 同理

默认只打印 diff 预览，确认后加 --write 落盘；重启客户端即可调用 web_fetch(url=...)。

MDN 整页约 260KB，这里只花几千 token 就拿到干净正文；拦截/登录页会自动升级或如实上报，不会把验证码当正文。

---

功能说明

它解决什么：模型读网页不是在读正文，而是在读整棵 DOM（脚本、导航、版权、链接一应尽收），又贵又脏。这个工具把页面剪成"只有正文"再喂给 AI。

核心价值（三点）

1. 极省 token —— 属性剥离 + 模板块丢弃 + 站外链接降级 + 表格转 CSV + 预算截断。实测 MDN 整页 214KB → 数百 token，压缩率约 1%。
2. 自动分级反爬 —— 85% 的站只走最轻的 L1（快、并发高），拦截/JS 骨架页才升级 L2 真浏览器 + stealth 伪装，绝不暴力逐站上浏览器。
3. 登录墙处理 + 如实上报 —— 判定登录/拦截时返回 login_required/blocked，引导登录而非硬撞，从不让模型把验证码当正文。

怎么用（一行）

web_fetch(url="https://xxx/article/1") → JSON：{ok, content(极省正文), token_estimate, tier, blocked?, login_required?, cached?}

覆盖的站点类型：文章页 / 文档站 / 门户与列表页 / 需要 JS 渲染的 SPA / 需要登录才给正文的站（如知乎）。

真实站点实测（一键 scripts/demo.py 可复现）：

站点	类型	分级	原始	抓到正文	说明
MDN CORS 文档	文档站	L1	260KB	~3.7k token（约 5.7%）	纯静态，最短路径直达
腾讯新闻首页	列表/门户	L2	338KB	~1.4k token（约 1.6%）	动态页升级浏览器渲染
极客邦首页	SPA/动态	L2	12KB	~1.4k token	JS 骨架页，需渲染才有正文

形态：本地 MCP Server（stdio/HTTP 均可），隐私可控；支持单页 web_fetch、批量 web_batch、结构化抽取 web_extract、登录持久化 login，缓存默认开启。

---

特性

• 分级抓取：L1 curl_cffi → L2 Playwright，拦截才升级，不误伤正常页面。
• L1 连接复用：同一指纹模板在进程内共享连接池，省掉重复的 TLS 握手与 DNS 解析；换事件循环自动重建，进程退出或 aclose() 统一释放。
• L2 浏览器池：同站同会话复用 context（各带独立登录态），超出上限按最久未用淘汰；同时打开的页面数受限，超出排队；空闲超过 L2_IDLE_TIMEOUT 秒自动关掉浏览器进程，下次用到再启动。
• 内容密度选根：从 article/main/div 中挑出"恰好装住正文的最紧容器"，避开导航/侧栏。
• compact 精简：属性剥离、模板块丢弃、站外链接降级、表格转 CSV（合并单元格自动补齐空位）、 代码块带语言标记、figure 输出图片地址与图注，压缩率可达 1~20% 数量级（如 MDN 214KB → 数百 token）。
• 拦截如实上报：不把挑战页/空壳页当正文喂给模型，返回 blocked/block_reason。
• 稳定错误码 + 可诊断：失败返回 error_code 与 retryable，debug=true 还能看到分层决策、选择器命中数与 L2 交互结果。
• 登录态持久化 + 多会话：login 工具手动登录并落盘，web_fetch 自动带上；session="work" 可按身份隔离登录态，session_export/session_import 在机器之间搬运 cookie。
• 非 HTML 内容：web_fetch 直接读纯文本；装 [pdf] extra 后按页抽取 PDF 文本，扫描件（无文字层）如实返回 empty，不伪造正文。
• 两层缓存：HTTP 响应按 TTL 落盘，过期后带 ETag/Last-Modified 做条件请求；正文（compact 后）与字段抽取结果另有一层结果缓存，二次调用直接返回，bypass_cache=true 同时绕过两层。web_batch 并发抓取一批 URL。
• 轻量爬取：web_crawl 支持两种模式——按 depth/limit 发现站内链接，或按 next_selector 顺序翻页（max_pages 封顶、自动去重、不跳站外）；静态资源自动跳过。
• 总预算与降级：web_fetch / web_extract / web_batch / web_crawl 都支持 deadline_ms。预算不够时按"压缩单步超时 → 跳过重试 → 不升级 L2 → 直接返回 timeout"逐级降级，已拿到的结果照常返回；降级结果不写入缓存，避免后续预算充足的调用拿到残缺内容。预算同样覆盖合规检查（限流等待与 robots.txt 抓取），不够就提前返回 timeout，不把时间耗在准备阶段。
• 结构化抽取：web_extract 支持 text/html/attr/count/list/object/jsonld，配 regex、abs_url、convert（int/float/date）与 required 必填校验，缺字段直接返回 missing_required。
• 站点 recipe：把某站的渲染方式、正文选择器、抽取 schema、翻页规则写成一份 JSON 落到本地，之后同一站点免参数复用，单次调用仍可覆盖。
• 输出格式可选：format=markdown|text|json，正文可按段落数组直接入库。
• 同域并发闸门：同一站点默认最多 2 个并发请求，跨站仍可并行，避免批量抓取时把单站打穿。
• Stealth 加固：Wipe webdriver、UA 数据、Canvas/WebGL 确定性指纹噪声、时区对齐。

安装

pip install mcp-scrape                          # 核心：L1 抓取 + 精简 + 抽取
pip install "mcp-scrape[pdf]"                   # 可选：让 web_fetch 直接读 PDF

# L2 渲染所需浏览器（国内可用镜像）
$env:PLAYWRIGHT_DOWNLOAD_HOST="https://cdn.npmmirror.com/binaries/playwright"
pip install "playwright>=1.49"
playwright install chromium

# 或复用系统浏览器，无需下载
$env:SCRAPE_MCP_L2_CHANNEL="chrome"   # 或 msedge

启动（MCP，stdio）

scrape-mcp                          # 默认 stdio，被 MCP 客户端接管
scrape-mcp --transport streamable-http --port 8000   # 切 HTTP 直连
scrape-mcp --version / --help       # 版本 / 用法

不传参默认 stdio。传 --transport/--port 由 CLI 显式启动，优先级高于 .env/环境变量。

环境变量（前缀 SCRAPE_MCP_）

全部配置可用环境变量（SCRAPE_MCP_ 前缀）设置，也可集中放到项目根目录 .env 文件里。

# 项目根目录执行
cp .env.example .env    # 生成配置模板
# 编辑 .env 后无需改代码，直接启动即可

优先级：实际进程环境变量 > .env > 默认值。.env 被 gitignore，不入库；.env.example 是随仓库提交的模板。

变量	默认	说明
IMPERSONATE	chrome	curl_cffi 指纹模板
REQUEST_TIMEOUT	20	L1 超时（秒）
PROXY	—	代理，L1/L2 共用
L2_ENABLED	true	是否启用 Playwright 升级链
L2_CHANNEL	—	关联浏览器：空=自带 Chromium，chrome/msedge=系统
L2_SETTLE_TIMEOUT	8	挑战页等待窗口（秒）
L2_SCROLL_STEPS	5	L2 滚动步数（触发懒加载）
L2_SCROLL_DELAY_MS	400	L2 每步滚动间隔（毫秒）
L2_MAX_PAGES	3	L2 同时打开的页面上限，超出排队
L2_MAX_CONTEXTS	8	L2 常驻 context 上限（按 host + session 复用），超出淘汰最久未用
L2_IDLE_TIMEOUT	120	L2 浏览器空闲回收阈值（秒），0 常驻到进程退出
L2_TIMEZONE	Asia/Shanghai	隐身加固时区
DATA_DIR	~/.scrape_mcp	登录态/缓存放盘目录
RECIPES_DIR	<DATA_DIR>/recipes	站点 recipe 目录；留空用默认路径
PDF_MAX_PAGES	200	PDF 单次最多解析页数（超出部分不抽取，pages 仍返回总页数）
CACHE_TTL	300	两层缓存 TTL（秒），0 全关；HTTP 层过期后带 ETag/Last-Modified 做条件请求，正文/抽取结果层命中即直接返回
RETRY_TIMES	2	网络异常/5xx 重试次数（429/403 不重试）
RETRY_BACKOFF	0.5	重试退避基数（秒，指数增长）
RETRY_AFTER_MAX_WAIT	0	429/503 带 Retry-After 时最多等待秒数；0 只上报不等待
LOG_LEVEL	WARNING	日志级别，JSON 行写 stderr（stdout 留给 MCP 协议）
BATCH_MAX_CONCURRENCY	4	web_batch 并发上限
BATCH_MAX_URLS	20	web_batch 单批上限
HOST_MAX_CONCURRENCY	2	同一主机的并发上限（web_batch/web_crawl 共用）
CRAWL_MAX_PAGES	20	web_crawl 单次最多抓取页数硬上限
RESPECT_ROBOTS	true	默认遵循目标站 robots.txt；false 忽略（仅建议自用合规场景关闭）
ALLOWED_HOSTS	—	主机白名单（逗号分隔）；非空时仅允许名单内主机
DENIED_HOSTS	—	主机黑名单（逗号分隔），优先于白名单
MAX_QPS	10	全网抓取限流（每秒请求数）；0 不限速

HTTP 模式（Postman / curl 直连）

默认 stdio，改环境变量即可切到 HTTP，无需改代码：

$env:SCRAPE_MCP_TRANSPORT="streamable-http"
$env:SCRAPE_MCP_HTTP_PORT="8000"
python -m scrape_mcp.server

以 json_response=1（默认）启动，请求/响应都是普通 JSON（非事件流）。stateless 模式无需先 initialize，直接发 tools/call 即可。 健康检查：GET /healthz 返回版本与关键开关，可用于容器探针/网关巡检。

本地统计：GET /stats 返回进程内计数，只接受回环地址访问（其它来源返回 403）：

curl http://127.0.0.1:8000/stats
# {"ok":true,"uptime_s":42,"requests":7,"fetches":5,"result_cache_hits":2,
#  "http_cache_hits":1,"cache_hit_rate":0.286,"by_tier":{"l1":4,"l2":1},
#  "by_code":{"ok":5},"by_kind":{"html":5},"tokens_returned":8120,"bytes_in":1048576}

by_tier 是实际生效的层级分布，by_code 复用工具返回的错误码（成功为 ok），cache_hit_rate 是结果缓存命中数 ÷ 总请求数。统计只记计数与字节数，不记 URL、不记页面内容，进程重启后归零。

必需项：请求头 MCP-Method、Mcp-Name；body 内 params 需带 _meta（protocolVersion + clientCapabilities）。完整示例见下。

接入 MCP 客户端（Claude / Cursor 等）

先 pip install mcp-scrape（或用项目 .venv 跑 pip install -e .），使 scrape-mcp 命令全局可用。

一条命令生成配置（推荐）

scrape-mcp init --client cursor --write     # 或 claude / vscode / json

• 默认只打印 diff 预览，加 --write 才落盘；目标文件里其它服务配置原样保留
• --client json 直接打印 JSON（不落盘），适合贴到任意客户端或自定义路径
• 已有同名 scrape-mcp 条目时不覆盖，确需更新加 --force
• --scope global|project 控制写全局还是项目内（.cursor/mcp.json、.vscode/mcp.json）
• --env KEY=VALUE 可把 SCRAPE_MCP_PROXY、SCRAPE_MCP_L2_CHANNEL 等写进客户端配置
• --command 可指定启动命令；缺省优先用已安装的 scrape-mcp，找不到则退回当前解释器 + -m scrape_mcp.server

生成的结构（Claude / Cursor 用 mcpServers，VS Code 用 servers 且带 "type": "stdio"）：

{
  "mcpServers": {
    "scrape-mcp": {
      "command": "scrape-mcp",
      "args": []
    }
  }
}

• 若复用系统浏览器（免下载）：设环境变量 SCRAPE_MCP_L2_CHANNEL 为 chrome 或 msedge。
• 配对成功后重启客户端，即可在会话里直接调用 web_fetch / web_extract / web_batch / web_crawl。
• 想先看工具定义（名称、说明、入参 schema）：scrape-mcp schema --tool web_fetch，或 --output tools.json 导出全量。

MCP 工具

• web_fetch(url, max_tokens=4000, link_policy="internal", format="markdown", ...) → 状态 + 极省正文
  • link_policy: internal（站内相对链接+站外降级）/ all / none
  • format: markdown（默认，保留标题/列表/链接）/ text（剥掉标记的纯文本）/ json（content 为段落数组）
  • 抓取参数：headers / cookies（自定义请求，不走共享缓存）、timeout、bypass_cache
  • 总预算：deadline_ms（毫秒，可选）限制整次调用；不够时逐级降级，见"错误码与诊断"中的 deadline:* 说明
  • 登录态：session（默认 default），与 login 时的会话名一致即可自动带上对应登录态
  • 渲染参数（仅 L2 生效）：wait_for（等 CSS 选择器）、scroll（滚动触发懒加载）、click（点"加载更多"）
  • 非 HTML：PDF 返回结构化文本（装 [pdf] extra；kind="pdf" 且带 pages/pages_parsed），纯文本原样返回（kind="text"）
  • 诊断参数：debug=true 时返回 diagnostics（决策轨迹、选择器命中数、L2 交互结果），不含页面内容
• web_extract(url, schema=None, ...) → 按字段 schema 抽取结构化 JSON（可入库）
  • schema 可省略：命中站点 recipe 时直接用 recipe 里的 schema，否则返回 invalid_argument
  • 字段类型：text（默认）/ html / attr（需配 attr）/ count / list / object / jsonld（需配 path）
  • 嵌套：list 配 fields 返回对象数组，object 在匹配节点内部继续抽取
  • 后处理：regex + group（正则提取，未命中回落 default）、abs_url（相对链接转绝对）、strip
  • 类型转换：convert 可设 int / float / date（去千分位与货币符号；日期兼容 ISO 与 2026年10月20日 这类写法）
  • 必填校验：字段设 required: true，缺失时整次调用 ok=false、error_code=missing_required，并在 required_missing 列出字段名
  • jsonld 用点号路径从 <script type="application/ld+json"> 取值（多个 script / @graph 自动聚合，数组自动展开、数字段视为下标）
  • 抓取/渲染参数与 web_fetch 相同（不含 link_policy/format）；非 HTML（PDF/纯文本）返回 unsupported_content，请改用 web_fetch
• web_batch(urls, max_tokens=3000, link_policy="internal", format="markdown", ...) → 并发抓取一批，逐 URL 返回；单条异常不影响整批
  • 支持 headers / cookies / timeout / bypass_cache / debug / session（对该批所有 URL 生效）
  • deadline_ms 为整批共用的预算：耗尽后还没开始的子任务直接返回 timeout，不再占用网络与浏览器
  • 客户端请求进度（传 progressToken）时，每完成一条上报 已抓取 n/N 个 URL
• web_crawl(url, depth=1, limit=10, same_host=True, max_tokens=2000, ...) → 从一个入口逐页抓取，返回带 mode 标明模式
  • mode=links（默认）：按 depth/limit 发现站内链接逐层抓取；depth 最大 3，limit 受 CRAWL_MAX_PAGES 约束
  • mode=paginate：传 next_selector 即启用分页模式，按"下一页"链接顺序翻页，max_pages 封顶（默认 5），已访问 URL 自动去重，默认不跟随站外链接（same_host=false 可放开）
  • 单页失败只影响该页；图片/压缩包等静态资源链接自动跳过；session 对该次所有页面生效
  • deadline_ms 为整次爬取的预算：耗尽后不再抓新页，已抓到的页面照常返回
  • 客户端请求进度时逐页上报（分页模式为 已翻到第 n/N 页，链接模式为 已抓取 n/N 页）
• login(url, timeout=180, session="default") → 打开带界面浏览器手动登录并持久化登录态
  • 多账号场景用不同 session 名分别登录，web_fetch 时传同一个名字即可，互不覆盖
• session_list() → 列出本地已保存的登录态（session + host + updated_at），不含 cookie 内容
• session_export(url, session="default", path=None) → 导出该站 cookie（{host, session, cookies}）；传 path 时同时写入本地文件
• session_import(url, path, session="default", replace=False) → 从本地 JSON 导入 cookie
  • 兼容 session_export 产物、Playwright storage_state 或裸 cookie 数组
  • 默认按 (name, domain, path) 合并（同名以导入值为准），replace=true 整体替换；只读本地文件，不发网络请求

返回为 JSON 字符串（落在 content[0].text，请解析文本，勿依赖 structured_content）。 失败时带稳定 error_code 与 retryable；传输失败/5xx 会自动指数退避重试，attempts 为实际尝试次数；L2 交互未命中（如选择器不存在）只在 notes 中提示，不判失败。

错误码与诊断

error_code 是协议的一部分（只增不改），retryable 直接告诉你"过一会儿重试是否有意义"：

error_code	retryable	含义 / 下一步
timeout / dns / tls / connection / unknown	✅	网络层问题，稍后重试或检查代理
http_5xx	✅	目标服务端异常，可退避重试
http_4xx	❌	404/410 等，页面本身无效
blocked	❌	被反爬拦截（Cloudflare/WAF/限流），换时段或人工确认
login_required	❌	需要登录态，先调用 login
denied / robots_disallowed	❌	黑白名单或 robots.txt 拒绝
missing_required	❌	必填字段缺失，见 required_missing；补齐 schema 或放宽 required
unsupported_content	❌	内容形态不支持当前工具（如对 PDF 用 web_extract）；改用 web_fetch，PDF 需装 [pdf] extra
invalid_url / invalid_argument	❌	参数问题

失败时默认带精简 diagnostics.decisions（如 ["retry:5xx", "escalate_l2:cloudflare", "l2_ok"]）； 传了 deadline_ms 且触发降级时，会看到 deadline:skip_retry（预算不够再等一次退避）、 deadline:skip_l2（不够启动浏览器，返回 L1 结果）或 deadline:exceeded（没来得及发起请求）。 传 debug=true 会展开更多计数：

{"diagnostics": {
  "decisions": ["escalate_l2:shell", "l2_ok"],
  "attempts": 1,
  "html_bytes": 348210,
  "root": "div",
  "selector_hits": {"article": 0, "main": 1, "div": 812},
  "content_chars": 5820,
  "l2": {"wait_for_hit": null, "clicked": null, "scroll_rounds": 0, "error": null}
}}

429/503 带 Retry-After 时返回 retry_after_s；配置 RETRY_AFTER_MAX_WAIT 后可在上限内自动补一次重试。

web_extract 示例

schema='{"fields": {
  "title":     {"selector": "h1", "required": true},
  "price":     {"selector": ".price", "regex": "￥([\\d,.]+)", "group": 1,
                "convert": "float", "required": true},
  "published": {"selector": "time", "type": "attr", "attr": "datetime", "convert": "date"},
  "main_link": {"selector": "a", "type": "attr", "attr": "href", "abs_url": true},
  "tag_count": {"selector": ".tag", "type": "count"},
  "tags":      {"selector": ".tag", "type": "list", "list_key": "text"},
  "author":    {"type": "jsonld", "path": "author.name"},
  "items":     {"selector": ".item", "type": "list", "fields": {
    "name": {"selector": ".name"},
    "url":  {"selector": "a", "type": "attr", "attr": "href", "abs_url": true}
  }}
}}'
# → {"ok":true, "data": {"title":"…","price":299.0,"published":"2026-10-20",
#    "main_link":"https://…","tag_count":3,"tags":["a","b","c"],
#    "author":"…","items":[{"name":"…","url":"https://…"}]},
#    "missing":[], "required_missing":[]}

必填字段缺失时返回 ok=false + error_code=missing_required，required_missing 里是缺失的字段名：

{"ok": false, "error_code": "missing_required", "error": "必填字段缺失: title, price",
 "retryable": false, "required_missing": ["title", "price"], "data": {"title": null, ...}}

站点 recipe

把"这个站怎么抓、取哪块、抽哪些字段、怎么翻页"写成一份 JSON 放进 RECIPES_DIR （默认 ~/.scrape_mcp/recipes），之后同一站点免参数复用。文件名即主机名， 也可用 host 字段覆盖；匹配按最长后缀（m.example.com 能命中 example.com）， 单次调用的显式参数优先于 recipe。

~/.scrape_mcp/recipes/example.com.json：

{
  "host": "example.com",
  "wait_for": "main article",
  "scroll": true,
  "root_selector": "main article",
  "extract": {
    "fields": {
      "title": {"selector": "h1", "required": true},
      "author": {"type": "jsonld", "path": "author.name"},
      "published": {"selector": "time", "type": "attr", "attr": "datetime", "convert": "date"},
      "items": {
        "selector": ".item",
        "type": "list",
        "fields": {
          "name": {"selector": ".name"},
          "url": {"selector": "a", "type": "attr", "attr": "href", "abs_url": true}
        }
      }
    }
  },
  "crawl": {"next_selector": "a.next", "max_pages": 5}
}

字段	作用	生效范围
host	匹配的主机（缺省用文件名）	全部
wait_for / scroll / click	L2 渲染交互，缺省则用调用参数	web_fetch / web_extract / web_batch / web_crawl
root_selector	指定正文根，命中失败自动回落密度选根	同上
extract	web_extract 省略 schema 时的默认 schema	web_extract
crawl.next_selector / crawl.max_pages	分页翻页规则，next_selector 一旦生效即进入 mode=paginate	web_crawl
note	备注，仅供人读	—

改完 JSON 无需重启：按文件 mtime 自动重载。写坏的 JSON 会被跳过，不影响其他 recipe。

开箱示例（真实站点）

examples/recipes/ 里有三份可直接使用的 recipe，复制到 RECIPES_DIR 即可：

mkdir -p ~/.scrape_mcp/recipes
cp examples/recipes/*.json ~/.scrape_mcp/recipes/

文件	站点	演示的 recipe 能力
docs.python.org.json	Python 官方文档	root_selector 取 div.body；crawl.next_selector 用 accesskey="N" 顺序翻页；extract 取标题/版本/章节数/下一章链接
github.com.json	GitHub Trending	type=list 一次抽整张榜单（仓库名、URL、今日 star、语言、简介）
ruanyifeng.com.json	阮一峰的网络日志	正文根 #main-content + regex 提取发布日期；host 用 ruanyifeng.com 以覆盖 www. 子域

# 按 recipe 抽取（不传 schema）
web_extract(url="https://docs.python.org/3/library/asyncio.html")
web_extract(url="https://github.com/trending")
web_extract(url="https://www.ruanyifeng.com/blog/2026/10/weekly-issue-415.html")

# 按 recipe 翻页（next_selector 生效即进入 mode=paginate）
web_crawl(url="https://docs.python.org/3/library/asyncio.html", max_pages=3)

示例选择器于 2026-10 实测通过；站点改版后失效属正常现象，改一行 selector 即可恢复。

单次覆盖：显式参数优先于 recipe，例如 web_fetch(url="...", wait_for=".comments")。

Python SDK

不接 MCP 也能直接用同一套实现（参数、返回值、错误码与工具完全一致）：

import asyncio

from scrape_mcp.sdk import aclose, batch, crawl, extract, fetch


async def main() -> None:
    page = await fetch("https://docs.python.org/3/library/asyncio.html", max_tokens=2000)
    print(page["ok"], page["token_estimate"], page["tier"])

    # 按字段抽取；不传 schema 时套用该站 recipe
    data = await extract(
        "https://docs.python.org/3/library/asyncio.html",
        {
            "fields": {
                "title": {"selector": "h1"},
                "sections": {"selector": "section", "type": "count"},
            }
        },
    )
    print(data["data"])

    pages = await crawl(
        "https://docs.python.org/3/library/asyncio.html",
        next_selector='div.related a[accesskey="N"]',
        max_pages=3,
    )
    print(pages["mode"], pages["pages_fetched"])

    many = await batch(["https://example.com", "https://example.org"])
    print(many["ok_count"], "/", many["total"])

    await aclose()  # 触发过 L2 时释放浏览器子进程；不调用也能跑，只是退出时可能有清理告警


asyncio.run(main())

• 返回的就是 MCP 工具的 JSON 载荷（已解析为 dict），失败同样带 error_code / retryable
• SDK 放在 scrape_mcp.sdk，是为了不和内部 scrape_mcp.extract 子包重名

示例脚本

examples/ 下按场景提供 5 个可直接运行的脚本（默认参数就能跑通，需要代理时先设 SCRAPE_MCP_PROXY）：

脚本	场景	常用参数
01_fetch_article.py	长文压成 token 预算内的正文	--max-tokens --out
02_extract_list.py	列表页抽结构化数据（不取整页正文）	--json --csv
03_crawl_docs.py	按"下一页"翻页并合并成一份 markdown	--selector --max-pages --out
04_pdf_to_text.py	PDF 直接读成文本（需 mcp-scrape[pdf]）	--out --max-tokens
05_batch_check.py	批量巡检，输出层级/状态/token/错误码，失败即非零退出	位置参数传 URL

python examples/01_fetch_article.py https://ruanyifeng.com/blog/ --max-tokens 1200
python examples/02_extract_list.py --csv trending.csv
python examples/03_crawl_docs.py --max-pages 5 --out docs.md

另有 examples/example_client.py（MCP 客户端调用示例）与 examples/recipes/*.json（站点 recipe）。

基准

python scripts/bench.py                              # 冷/热对照
python scripts/bench.py --l2 https://news.qq.com/    # 额外看浏览器开销

"冷" = bypass_cache=true（走网络 + 精简），"热" = 普通调用（命中正文缓存）。 2026-10 实测（Windows 11 / 家宽直连，rounds=5，max_tokens=4000）：

页面	层级	冷 p50	热 p50	提升	token
example.com	L2	495 ms	1.4 ms	~360×	330
docs.python.org（asyncio-task）	L1	681 ms	1.0 ms	~650×	3588

L2 浏览器：进程内首次调用 ≈3.5 s（含启动），复用 p50 ≈1.8 s。 网络与目标站状态会明显影响绝对值，重点看同一台机器上的冷热对比。

Docker

# 仅 L1（镜像小，覆盖大多数页面）
docker build -t scrape-mcp .

# 带 L2 真浏览器（Cloudflare/验证码/SPA）
docker build --build-arg INSTALL_BROWSER=1 -t scrape-mcp:l2 .

docker run -p 8002:8002 scrape-mcp
curl http://127.0.0.1:8002/healthz     # {"ok":true,"version":"…"}

目录结构

src/scrape_mcp
├── server.py          # MCP 入口 + 工具（web_fetch/web_extract/web_batch/web_crawl/login/session_*）
├── cli.py             # 子命令：init（客户端配置）/ schema（导出工具定义）
├── sdk.py             # Python SDK 薄封装（fetch/extract/crawl/batch/aclose）
├── config.py          # 环境变量配置
├── tokenizer.py       # tiktoken 计数 + 预算截断
├── core/
│   ├── http_client.py # L1 curl_cffi + 磁盘缓存
│   ├── fetcher.py     # 分级调度（L1→L2），对工具层返回 FetchOutcome
│   ├── detector.py    # 拦截/骨架页判定
│   ├── browser.py     # L2 Playwright + stealth
│   ├── session.py     # 登录态持久化（多会话 + cookie 导入导出）
│   ├── recipes.py     # 站点 recipe（按 host 最长后缀匹配、mtime 重载）
│   ├── cache.py       # HTTP 响应缓存 + 正文/抽取结果缓存
│   ├── stats.py       # 进程内计数（/stats 端点数据源）
│   ├── errors.py      # 统一错误码
│   └── hostlimit.py   # 同域并发闸门
└── extract/
    ├── compact.py     # DOM 剪枝 → 极省 token 正文
    ├── schema.py      # 结构化抽取（按字段 schema 出 JSON）
    ├── links.py       # 链接发现（web_crawl 用）
    ├── pdf.py         # PDF → 文本（可选依赖 pypdf）
    └── render.py      # markdown → 纯文本 / 分块

开发

pip install -e ".[dev]"
python -m pytest