使用说明

🕷️ Scrapidou-用于ChatGPT的Web抓取服务器

Scrapidou是一个干净的模块化MCP服务器，用于网络抓取和URL获取。

⚠️ 免责声明

这个项目是独立的、非官方的。

❌ 无关联 提供任何刮擦服务
✅ 教育和实用目的项目
✅ 尊重robots.txt和速率限制
⚠️ 负责任地使用 -遵守网站服务条款

🎯 这是怎么一回事？

此应用程序允许 ChatGPT 和其他MCP客户端使用 干净的模块化架构.

✨ 特性

🌐 URL获取 -使用正确的标题和重定向处理从任何URL检索内容
📄 灵活提取 -控制内容格式(text, html, markdown, both)，尺寸(maxContentLength)、问题检测和链接提取独立进行
📝 文本内容提取 -用于LLM消费的无HTML标签的干净文本提取
📑 Markdown提取 -带有标题、链接、代码块和强调的结构化Markdown-针对LLM分析进行了优化
🎨 HTML内容提取 -完整的HTML内容保存 full 模式（格式、图像、引用）
🔍 问题检测 -自动检测付费墙、登录要求和部分内容
🔗 相关链接 -在过滤广告和导航时提取相关链接（另请参阅相关文章）
🧭 导航链接 -提取文档网站的侧边栏/菜单链接（可选）
📊 元数据抽取 -摘录标题、描述、作者和出版日期
🏗️ 模块化架构 -干净的关注点分离，可重复用于未来的项目
🔌 双模式 -适用于ChatGPT（流式HTTP）和IDE（stdio）

💬 使用示例

在ChatGPT中，只需问：

“从以下位置获取内容https://example.com"

或者：

“从以下内容中提取主要内容https://blog.example.com/article限制为500个字符”

或者：

“从获取完整的HTML内容https://docs.example.com/page"

ChatGPT将使用MCP服务器根据所选参数获取、提取和返回内容：

内容格式：从中选择 text （纯文本，默认）， markdown （结构化Markdown）， html （完整HTML），或 both （文本+HTML）
内容大小控制：使用 maxContentLength 快速映射（500-1000个字符）或离开 undefined 用于完整分析
问题检测：控制 detectIssues 参数（默认值： true)
链接提取：配置 extractRelatedLinks 和 extractNavigationLinks 独立地

📖 用例和内容提取

提取了什么？

该工具提取三种类型的内容，您可以选择返回哪一种：

contentText （文本内容）
- 它是什么：从页面主要内容中提取清晰易读的文本
- 如何提取:
  - 使用Mozilla可读性算法识别主要内容
  - 删除HTML标签、脚本、样式
  - 清理空白和格式
  - 保留带有标题标记的段落结构(#, ##等等）
- 可用时间：: contentFormat: 'text' 或 contentFormat: 'both' （默认值： 'text')
- 用例：非常适合LLM消费、总结、分析
- 无尺寸限制：完整内容将在中返回 structuredContent.contentText
contentMarkdown （Markdown内容）
- 它是什么：带有标题、链接、代码块和强调的结构化Markdown
- 如何提取:
  - 使用Mozilla可读性提取主要内容
  - 通过带有ATX标题、围栏代码块、内联链接的Turndown转换为Markdown
  - 保留代码块语言（例如。 ```python)
  - 删除图像（对LLM文本分析无效）
- 可用时间：: contentFormat: 'markdown'
- 用例：最适合LLM分析-保留结构、链接和代码格式
- 无尺寸限制：完整内容将在中返回 structuredContent.contentMarkdown
contentHTML （HTML内容）
- 它是什么：主要内容区域的完整HTML（保留格式、结构）
- 如何提取:
  - 使用Mozilla可读性提取主要内容HTML
  - 保留HTML结构、图像、链接和格式
  - 删除导航、页眉、页脚、广告
- 可用时间：: contentFormat: 'html' 或 contentFormat: 'both'
- 用例：技术分析、保留格式、高级处理
- 尺寸控制：使用 maxContentLength 限制提取（默认：无限制-完整HTML）
- 备注：何时 contentFormat 是 'html' 或 'both'，该工具在内部自动提取HTML

响应结构

所有回复均遵循以下结构：

{
  // 1. Summary (markdown text visible to user and model)
  content: [{
    type: 'text',
    text: '📄 Content extracted from: https://example.com\n...'
  }],
  
  // 2. Structured data (accessible by ChatGPT)
  structuredContent: {
    type: 'webpage',
    url: 'https://example.com',
    contentFormat: 'text', // 'text' | 'markdown' | 'html' | 'both'
    maxContentLength: undefined, // Optional: limit content size (undefined = no limit)
    metadata: { title, description, author, publishedDate },
    contentText: '...', // Text content (truncated if maxContentLength specified)
    contentMarkdown: '...', // Markdown content (if contentFormat: 'markdown')
    contentHTML: '...', // HTML content (if contentFormat: 'html' or 'both')
    issues: [{ type: 'paywall', message: '...' }], // Empty array if detectIssues: false
    relatedLinks: [{ url, text, type }], // All links (no limit)
    navigationLinks: [{ url, text, level }], // All links (no limit)
    contentTextLength: 1234, // Original full length
    contentTextExtractedLength: 1234, // Actual extracted length
    contentTextTruncated: false, // true if truncated
    contentHTMLLength: 5678, // Original full length (if HTML present)
    contentHTMLExtractedLength: 5678, // Actual extracted length (if HTML present)
    contentHTMLTruncated: false // true if truncated (if HTML present)
  }
}

决策矩阵

使用案例	`contentFormat`	`maxContentLength`	`detectIssues`	`extractRelatedLinks`	`extractNavigationLinks`
快速映射/摘要	`text`	`500-1000`	`false`	`false`	`false`
文章/博客文章	`text`	`undefined` （满）	`true` （默认）	`true` （默认）	`false`
LLM深度分析	`markdown`	`undefined` （满）	`true` （默认）	`true` （默认）	`false`
维基百科页面	`text`	`undefined` （满）	`true` （默认）	`true` （默认）	`false`
文件网站	`markdown`	`undefined` （满）	`true` （默认）	`false`	`true`
需要HTML内容	`html`	`undefined` （满）	`true` （默认）	`true` （默认）	`true` （如果需要）
需要文本和HTML	`both`	`undefined` （满）	`true` （默认）	`true` （默认）	`true` （如果需要）
技术分析	`html`	`undefined` （满）	`true` （默认）	`false`	`true`
预览/快速阅读	`text`	`2000-5000`	`true` （默认）	`true` （默认）	`false`

备注:

'markdown' 是LLM分析的最佳格式，它保留了结构、链接和代码块。
当 contentFormat 是 'html' 或 'both'，该工具会自动在内部提取HTML。
使用 maxContentLength 用于快速映射/摘要（500-1000个字符）或预览（2000-5000个字符）。离开 undefined 进行完整分析。
集 detectIssues: false 当您知道内容可以自由访问时，可以更快地提取。

参数

`contentFormat` -内容类型

控制返回的内容类型：

contentFormat: 'text' （默认）
- 退货 structuredContent.contentText 包含文本内容
- 非常适合法学硕士分析、总结、一般理解
- 在所有模式下都可用
contentFormat: 'markdown'
- 退货 structuredContent.contentMarkdown 使用结构化Markdown
- ATX标题(##)，围栏代码块(```)，内联链接([text](url))
- 保留代码块语言、粗体、斜体、列表
- 最适合LLM分析-结构最丰富，同时保持基于文本
contentFormat: 'html'
- 退货 structuredContent.contentHTML 包含HTML内容
- 在内部自动提取HTML
- 保留格式、结构、图像和链接
- 最适合技术分析，保留文档结构
contentFormat: 'both'
- 返回两者 structuredContent.contentText 和 structuredContent.contentHTML
- 在内部自动提取HTML
- 当您需要两种格式用于不同目的时使用

`maxContentLength` -内容大小控制

控制要提取的最大字符数（适用于文本和HTML）：

maxContentLength: undefined （默认-无限制）
- 提取完整内容，不进行任何截断
- 用于完整分析、深入理解或需要所有信息时
- 最适合进行全面的内容分析
maxContentLength: 500-1000
- 快速映射或简短摘要
- 用于快速浏览内容
- 适用于预览或只需要开始的时候
maxContentLength: 2000-5000
- 详细预览或扩展摘要
- 当您需要更多上下文而不是完整内容时使用
- 完整性和令牌使用之间的良好平衡

重要：如果长度超过指定限制，则内容将被截断。答复包括：

contentTextTruncated / contentHTMLTruncated: true 如果内容被截断
contentTextLength / contentHTMLLength：原始全长
contentTextExtractedLength / contentHTMLExtractedLength：实际提取长度

`detectIssues` -问题检测

控制是否检测页面上的问题：

detectIssues: true （默认）
- 分析页面以检测付费墙、登录要求或部分内容
- 当您想知道是否存在访问问题时，用于一般用例
- 增加少量处理开销
detectIssues: false
- 跳过问题检测以加快提取速度
- 当您知道内容可以自由访问时使用
- 最适合快速映射或不需要问题信息时

内容提取详细信息

文本内容(contentText):

使用Mozilla可读性算法提取
删除HTML标签、脚本、样式、广告
保留带有标题标记的段落结构(#, ##等等）
清理空白和格式
可用时间：: contentFormat: 'text' 或 'both'
尺寸控制：使用 maxContentLength 限制提取（默认值：无限制-完整内容）

Markdown内容(contentMarkdown):

使用Mozilla可读性+调低转换提取
ATX标题、带语言检测的围栏代码块、内联链接
大胆(**text**)，斜体(*text*)，项目列表(- item)
删除图像（对LLM文本分析无效）
可用时间：: contentFormat: 'markdown'
尺寸控制：使用 maxContentLength 限制提取（默认值：无限制）

HTML内容(contentHTML):

使用Mozilla可读性算法提取
保留HTML结构、图像、链接和格式
删除导航、页眉、页脚、广告
可用时间：: contentFormat: 'html' 或 'both'
尺寸控制：使用 maxContentLength 限制提取（默认：无限制-完整HTML）
自动模式：何时 contentFormat 是 'html' 或 'both'，该工具使用 mode: 'full' 内部地

重要说明

无小部件：此工具不使用小部件，因此所有内容都可以在中直接访问 structuredContent
灵活的尺寸控制：使用 maxContentLength 快速映射（500-1000个字符）或离开 undefined 用于完整分析
包含所有链接：相关链接和导航链接全部返回（无限制）
不 _meta 复杂性：由于没有小部件，我们不需要复杂的 _meta 结构
截断指示器：何时 maxContentLength 如果使用，响应包括 contentTextTruncated/contentHTMLTruncated 标志和长度信息

🏗️ 架构：MCP服务器

什么是MCP服务器？

MCP（模型上下文协议） 服务器允许您通过以下方式扩展ChatGPT和其他LLM：

定制工具 （调用外部API）
实时数据 （最新信息）

它是如何工作的？

┌─────────────┐         ┌──────────────┐         ┌──────────────┐
│   ChatGPT   │ ◄─────► │  MCP Server  │ ◄─────► │  Target URL  │
│             │  HTTP   │  (Node.js)   │  HTTP   │              │
└─────────────┘         └──────────────┘         └──────────────┘

ChatGPT 通过以下方式连接 可流式传输的HTTP 到 /mcp （获取/发布）
MCP服务器 从目标URL获取数据
结果返回到ChatGPT

MCP协议

MCP（模型上下文协议）是Anthropic创建的一个开放标准，允许LLM安全地访问外部数据和工具。它由以下人员使用：

ChatGPT（通过MCP连接器）
克劳德桌面版
光标
其他MCP客户端

🚀 快速开始

与光标/克劳德桌面/扭曲一起使用

你有 两种选择 要使用Scrapidou：

选项1：本地安装（建议用于开发）

安装本地运行的npm客户端：

{
  "mcpServers": {
    "mcp-scrapidou": {
      "command": "npx",
      "args": ["-y", "@shyzus/mcp-scrapidou"]
    }
  }
}

选项2：托管服务器（建议用于生产）

使用我们VPS上托管的生产服务器：

{
  "mcpServers": {
    "mcp-scrapidou": {
      "url": "https://scrapidou.rankorr.red/mcp"
    }
  }
}

配置文件位置：

光标: ~/.cursor/mcp.json （macOS/Linux）或 %APPDATA%\Cursor\mcp.json （Windows）
克劳德桌面版: ~/Library/Application Support/Claude/claude_desktop_config.json （macOS）
扭曲：在扭曲AI设置中

选择哪个选项？

本地（npx）：更适合开发，始终使用最新版本，需要Node.js
托管（URL）：无需安装，始终可用，使用稳定的生产版本

与ChatGPT一起使用

生产服务器可用，随时可用！

服务器URL: https://scrapidou.rankorr.red/mcp

ChatGPT配置

拥有一个订阅的ChatGPT帐户 （ChatGPT Plus、团队或企业）
在浏览器中打开ChatGPT → Go to 设置 (⚙️)
转到“应用程序和连接器”
启用开发人员模式:
- 在 “高级设置”，启用 开发者模式
- 回去
创建新应用程序:
- 这 “创建” 按钮现在出现在右上角
- 点击它
- 填写表格：
  - 名字：“Scrapidou”（或其他名称）
  - 图像：添加图标/图像（可选）
  - 服务器URL: https://scrapidou.rankorr.red/mcp
  - 备注：服务器使用 可流式传输的HTTP 运输（现代MCP标准）
  - 认证：选择 “无”
- 点击 “创建”
应用程序现在可用 在ChatGPT中

对于开发人员-本地安装

# 1. Clone the project
git clone https://github.com/Shyzkanza/mcp-fetch-url.git
cd mcp-fetch-url

# 2. Install dependencies
npm install

# 3. Build
npm run build

# 4. Use locally
npx @modelcontextprotocol/inspector node dist/index.js

🧪 测试

# Run tests
npm test

# Watch mode
npm run test:watch

7个套件中的88个测试：

errors.test.ts --错误类别、格式化、网络检测（17项测试）
urlUtils.test.ts --URL规范化、链接文本提取（14项测试）
issueDetector.test.ts --付费墙、登录、部分内容检测（16次测试）
linkExtractor.test.ts --相关链接提取和过滤（13个测试）
navigationExtractor.test.ts --侧边栏/菜单导航链接（12个测试）
contentExtractor.test.ts --可读性提取+回退（9次测试）
markdownExtractor.test.ts --HTML到Markdown的转换（7个测试）

📂 项目结构

mcp-fetch-url/
├── src/
│   ├── config.ts              # Configuration centralisée
│   ├── types.ts               # Types TypeScript partagés
│   ├── client/
│   │   └── httpClient.ts      # HTTP client avec headers, redirections, timeout
│   ├── tools/
│   │   ├── fetchUrl.ts        # Tool MCP: fetch_url (logic)
│   │   └── fetchUrlSchema.ts  # Tool schema (shared between stdio/http)
│   ├── servers/
│   │   ├── stdio.ts           # Serveur stdio (IDEs)
│   │   └── http.ts            # Serveur Streamable HTTP (ChatGPT)
│   ├── utils/
│   │   ├── errors.ts          # Gestion erreurs centralisée
│   │   ├── urlUtils.ts        # URL normalization, link text extraction
│   │   ├── contentExtractor.ts # Extraction contenu (Readability + fallback)
│   │   ├── markdownExtractor.ts # Conversion HTML → Markdown (Turndown)
│   │   ├── issueDetector.ts   # Détection paywall, login, contenu partiel
│   │   ├── linkExtractor.ts   # Extraction liens pertinents (related links)
│   │   ├── navigationExtractor.ts # Extraction liens navigation (sidebar/menu)
│   │   └── __tests__/         # Unit tests (Vitest)
│   ├── index.ts               # Entry point stdio
│   ├── http-server.ts         # Entry point HTTP
│   └── http-client.ts         # Client npm
├── dist/                      # Compiled code (generated)
├── Dockerfile                 # Multi-stage Docker image
├── docker-compose.yml         # Docker Swarm stack with Traefik labels
├── .github/workflows/
│   ├── ci.yml                 # CI: tests + typecheck on push/PR
│   └── release.yml            # Release: test → Docker → deploy → npm
├── .nvmrc                     # Node version (20)
├── package.json               # Server dependencies
├── tsconfig.json              # TypeScript config
└── README.md                  # This file

🛠️ 可用命令

📖 全部文件: COMMANDS.md

快速参考

# 🌟 Recommended for ChatGPT development (2 terminals)
npm run tunnel           # Terminal 1: ngrok (keep running)
npm run dev              # Terminal 2: Dev server with hot-reload

# Alternative: All-in-one
npm run dev:tunnel       # Dev + ngrok in parallel

# Testing
npm test                 # Run unit tests
npm run test:watch       # Run tests in watch mode
npm run inspect          # Launch MCP Inspector
npm run health           # Health check

# Build & Production
npm run build            # Compile TypeScript
npm run rebuild          # Clean + Build
npm run build:start      # Build then start

# Utilities
npm run kill             # Kill process on port 3000
npm run kill:tunnel      # Kill ngrok

光标命令

可通过 Cmd+Shift+P:

dev-server -热重载开发（推荐）
tunnel-only -启动ngrok（继续运行）
mcp-inspector -启动MCP检查器
build / rebuild / clean
kill-server / kill-tunnel

看 COMMANDS.md 查看完整列表。

🔧 高级配置

环境变量

创建一个 .env 文件：

PORT=3000                          # HTTP server port
NODE_ENV=production                # Environment
CORS_ORIGIN=*                      # CORS origin (default: * in dev, https://chatgpt.com in prod)

🏗️ 建筑细部

该项目作为 模板/基础 对于未来具有干净、模块化架构的MCP服务器：

关注点分离

config.ts：环境变量、常量、验证
types.ts：共享TypeScript接口
client/httpClient.ts：HTTP客户端抽象（获取、标头、重定向、超时）
tools/fetchUrl.ts：业务逻辑（验证、提取编排）
tools/fetchUrlSchema.ts：stdio和HTTP服务器之间共享的工具架构
utils/urlUtils.ts：URL规范化、链接文本提取（共享实用程序）
utils/contentExtractor.ts：内容提取（可读性+回退）
utils/markdownExtractor.ts：HTML到Markdown转换（关闭）
utils/issueDetector.ts：问题检测（付费墙、登录、部分内容）
utils/linkExtractor.ts：相关链接提取和过滤
utils/navigationExtractor.ts：侧边栏/菜单导航链接提取
servers/：MCP实现（stdio/Streamable HTTP），重用工具
utils/errors.ts：自定义错误类、格式

看内容.md 获取详细的架构文档。

📚 资源和文件

项目文件

内容.md -项目记忆（状态、决策、变更日志）
COMMANDS.md -所有npm脚本和Cursor命令
OPENAI_APPS_SDK_REFERENCE.md -完整的SDK参考指南

正式文件

模型上下文协议 -MCP规范
MCP SDK TypeScript -Node.js SDK
ChatGPT连接器 -如何将MCP与ChatGPT结合使用

社区

MCP服务器存储库 -官方示例

🐛 调试与故障排除

服务器无法启动

# Check that Node.js is installed (requires Node 20+)
node --version  # Must be 20+

# If using nvm, switch to Node 20
nvm use 20  # or nvm install 20

# Check that dependencies are installed
npm install

# Full rebuild
npm run build

备注：由于依赖关系（jsdom、@mozilla/realready），此项目需要Node.js 20+。使用 .nvmrc 文件或 nvm use 以确保版本正确。

CORS错误

服务器允许开发中的所有源。在生产中，限制 src/servers/http.ts:

res.setHeader('Access-Control-Allow-Origin', 'https://chatgpt.com');

🚀 将此项目用作模板

这个项目是 完整模板 用于创建具有干净架构的自己的MCP服务器。

要创建自己的MCP服务器：

复制此项目
实施您的工具 在 src/tools/
自定义配置 在 src/config.ts
部署!

📝 许可证

麻省理工学院-免费用于您的个人或商业项目。

🙏 学分和归属

MCP协议 - Anthropic

📞 支持

如有任何疑问：

📖 检查 MCP文件
💬 在GitHub上打开一个问题

享受MCP服务器的乐趣！ 🕷️✨