context-scraper-mcp-server

ddipass/context-scraper-mcp-server

3.3

If you are the rightful owner of context-scraper-mcp-server and would like to certify it and/or have it hosted online, please leave a comment on the right or send an email to henry@mcphub.com.

The Context Scraper MCP Server is an enhanced Model Context Protocol server based on Crawl4AI, designed to provide robust web scraping and content extraction capabilities for Amazon Q Developer and other AI tools.

Tools
8
Resources
0
Prompts
0

Context Scraper MCP Server

一个基于 Crawl4AI 的 Model Context Protocol (MCP) 服务器，为 Amazon Q Developer 和其他 AI 工具提供强大的网页爬取、学术搜索和智能研究功能。

🚀 核心特性

  • 智能网页爬取: 支持基础、隐身、地理位置伪装等多种爬取模式
  • 学术搜索引擎: 集成 Google Scholar、arXiv、PubMed 等学术数据库
  • 智能配置管理: 灵活的配置系统，支持运行时调整
  • 实验性AI分析: 可选的Claude API集成用于高级内容分析

📦 安装

前置要求

  • Python 3.12+
  • uv (推荐) 或 pip

方法一：使用 uv (推荐)

# 1. 克隆项目
git clone https://github.com/ddipass/context-scraper-mcp-server.git
cd context-scraper-mcp-server

# 2. 使用 uv 同步依赖
uv sync

# 3. 激活虚拟环境
source .venv/bin/activate

# 4. 运行 Crawl4AI 设置
crawl4ai-setup

方法二：使用传统 pip

# 1. 克隆项目
git clone https://github.com/ddipass/context-scraper-mcp-server.git
cd context-scraper-mcp-server

# 2. 创建虚拟环境
python -m venv .venv
source .venv/bin/activate  # Linux/macOS
# 或 .venv\Scripts\activate  # Windows

# 3. 安装项目依赖
pip install -e .

# 4. 安装浏览器依赖
python -m playwright install chromium

# 5. 运行 Crawl4AI 设置
crawl4ai-setup

关于 uv

我们推荐使用 uv - 这是一个用 Rust 构建的现代 Python 包管理器：

  • ⚡ 速度快: 比传统 pip 快 10-100 倍
  • 🛡️ 可靠性: 更好的依赖解析和冲突检测
  • 🎯 MCP 官方推荐: Python MCP SDK 推荐的标准工具

安装 uv:

# macOS/Linux
curl -LsSf https://astral.sh/uv/install.sh | sh

# Windows
powershell -c "irm https://astral.sh/uv/install.ps1 | iex"

# 或使用 pip
pip install uv

🔧 MCP 配置

Amazon Q Developer 配置

在 ~/.aws/amazonq/mcp.json 文件中添加以下配置：

{
  "mcpServers": {
    "ContextScraper": {
      "command": "/absolute/path/to/context-scraper-mcp-server/.venv/bin/mcp",
      "args": [
        "run",
        "/absolute/path/to/context-scraper-mcp-server/server_v9.py"
      ],
      "cwd": "/absolute/path/to/context-scraper-mcp-server"
    }
  }
}

重要: 请将 /absolute/path/to/context-scraper-mcp-server 替换为你的实际项目路径。

获取项目绝对路径

cd context-scraper-mcp-server
pwd
# 将输出的路径复制到配置文件中

验证配置

启动 Amazon Q Developer 后，你应该能看到 ContextScraper 工具可用。可以使用以下命令测试：

使用 system_status 工具检查服务器状态

🛠️ 主要工具

🎓 学术搜索工具

  • academic_search - 多数据源学术搜索 (Google Scholar, arXiv, PubMed)

🕷️ 网页爬取工具

  • crawl - 基础网页爬取
  • crawl_stealth - 隐身模式爬取
  • crawl_with_geolocation - 地理位置伪装爬取
  • crawl_with_retry - 重试机制爬取
  • crawl_with_intelligence - 智能爬取模式

⚙️ 配置管理工具

  • configure_crawl_settings - 爬取参数配置
  • quick_config_content_limit - 快速设置内容显示限制
  • quick_config_word_threshold - 快速设置词数阈值
  • system_status - 系统状态监控

🔬 实验性工具

  • experimental_claude_analysis - Claude AI 内容分析 (需要API配置)

💡 使用示例

学术搜索

# 在 arXiv 搜索机器学习论文
result = await academic_search("machine learning transformers", "arxiv")

# 在 PubMed 搜索医学文献
result = await academic_search("COVID-19 vaccine effectiveness", "pubmed")

# 在 Google Scholar 搜索
result = await academic_search("climate change", "google_scholar")

网页爬取

# 基础爬取
result = await crawl("https://example.com")

# 隐身模式爬取
result = await crawl_stealth("https://protected-site.com")

# 智能爬取
result = await crawl_with_intelligence("https://news-site.com", "smart")

# 地理位置伪装爬取
result = await crawl_with_geolocation("https://geo-restricted.com", "newyork")

# 重试机制爬取
result = await crawl_with_retry("https://unstable-site.com", max_retries=3)

配置管理

# 快速设置内容显示限制
result = await quick_config_content_limit(5000)

# 快速设置词数阈值
result = await quick_config_word_threshold(100)

# 查看系统状态
result = await system_status()

# 配置爬取参数
result = await configure_crawl_settings("update", "content_limits", markdown_display_limit=8000)

实验性功能

# Claude AI 内容分析 (需要配置API)
result = await experimental_claude_analysis("分析这段文本的主要观点", "general", enable_claude=True)

📁 项目结构

context-scraper-mcp-server/
├── server_v9.py              # 🚀 主服务器文件 (当前版本)
├── server_v8.py              # V8 版本服务器
├── server_v7.py              # V7 版本服务器
├── v9_core/                  # 🧠 V9 核心模块
│   ├── intent_analyzer.py    #   🎯 用户意图分析引擎
│   ├── crawl_config_manager.py #   ⚙️ 爬取配置管理器
│   └── config_manager.py     #   📋 通用配置管理器
├── v9_config/                # 📋 V9 配置文件
│   └── crawl_config.json     #   🔧 爬取参数配置
├── config/                   # 🗂️ 通用配置目录
│   ├── claude_config_example.json # Claude API 配置示例
│   └── v6_config/            #   历史版本配置
├── docs/                     # 📚 文档目录
│   ├── architecture/         #   🏗️ 架构文档
│   ├── development/          #   🔧 开发文档
│   └── versions/             #   📋 版本文档
├── legacy/                   # 📦 历史版本和备份
├── .venv/                    # 🐍 Python 虚拟环境
├── pyproject.toml            # 📋 项目配置文件
├── uv.lock                   # 🔒 依赖锁定文件
└── README.md                 # 📖 项目说明文档

🔗 Server V9 依赖关系

核心依赖结构

server_v9.py (主服务器)
├── v9_core/
│   ├── intent_analyzer.py    # 用户意图分析 (独立模块)
│   └── crawl_config_manager.py # 爬取配置管理 (独立模块)
├── v9_config/
│   └── crawl_config.json     # 配置文件 (JSON格式)
└── 外部依赖
    ├── crawl4ai             # 网页爬取引擎
    ├── mcp                  # Model Context Protocol
    └── aiohttp              # 异步HTTP客户端

模块职责

  • server_v9.py - 主服务器，集成所有V9功能，提供MCP工具接口
  • intent_analyzer.py - 分析用户意图，支持搜索、爬取、研究等多种意图类型
  • crawl_config_manager.py - 管理爬取配置，支持运行时动态调整参数
  • crawl_config.json - 存储用户偏好和系统配置

🚀 V9 核心功能

🎯 智能意图分析

  • 多意图识别: 自动识别搜索、爬取、研究、提取、监控、对比等意图类型
    • 相关函数: analyze_user_intent() (v9_core/intent_analyzer.py)
  • 搜索引擎智能选择: 支持明确指定、隐含偏好、自动选择三种模式
    • 相关枚举: SearchEngineIntent, IntentType
  • 置信度评估: 为每个意图分析提供置信度评分
    • 相关类: UserIntent (包含confidence字段)

⚙️ 动态配置管理

  • 运行时配置: 无需重启即可调整爬取参数
    • 相关函数: configure_crawl_settings(), reload_crawl_config()
  • 分层配置: 内容限制、质量控制、时间控制、用户偏好分离管理
    • 相关函数: get_crawl_config() (v9_core/crawl_config_manager.py)
  • 配置持久化: 自动保存用户配置偏好
    • 配置文件: v9_config/crawl_config.json
  • 快速配置工具: 提供便捷的参数调整接口
    • 相关函数: quick_config_content_limit(), quick_config_word_threshold()
  • 自动虚拟环境: 启动时自动激活项目虚拟环境
    • 相关函数: activate_virtual_environment() (server_v9.py)
  • 工作目录修正: 自动切换到正确的工作目录
    • 实现位置: server_v9.py 启动脚本

🕷️ 增强爬取能力

  • 多模式爬取: 基础、隐身、地理位置伪装、重试机制
    • 相关函数: crawl(), crawl_stealth(), crawl_with_geolocation(), crawl_with_retry()
  • 智能内容处理: 自动过滤噪音、提取核心内容
    • 相关函数: crawl_with_intelligence()
  • 批量处理: 支持并发爬取多个URL
    • 相关函数: crawl_multiple() (如果存在)

🎓 学术搜索集成

  • 多数据源: Google Scholar、arXiv、PubMed等学术数据库
    • 相关函数: academic_search()
  • 深度爬取: 支持搜索结果的深度内容提取
    • 参数: deep_crawl_count in academic_search()
  • 结果优化: 智能去重和内容结构化
    • 内置于学术搜索函数中

🔧 实验性功能

  • Claude AI 分析: 可选的Claude API集成，用于高级内容分析
    • 相关函数: experimental_claude_analysis()
  • 系统状态监控: 实时监控服务器状态和性能
    • 相关函数: system_status()

⚙️ 高级配置

Claude API 配置 (可选)

如果需要使用 Claude API 功能，可以配置 config/claude_config_example.json：

{
  "claude_api": {
    "api_key": "your-api-key-here",
    "base_url": "https://api.anthropic.com",
    "model": "claude-3-sonnet-20240229",
    "enabled": false,
    "timeout": 30,
    "max_tokens": 4000,
    "temperature": 0.7
  }
}

爬取配置

编辑 v9_config/crawl_config.json 来调整爬取参数：

{
  "content_limits": {
    "markdown_display_limit": 3000,
    "word_count_threshold": 50
  },
  "quality_control": {
    "min_content_length": 100,
    "enable_content_filtering": true
  },
  "user_preferences": {
    "show_word_count": true,
    "show_crawl_info": true
  }
}

🎯 适用场景

  • 学术研究: 文献搜索、论文分析、引用追踪
  • 市场调研: 竞争分析、行业报告、趋势监控
  • 技术文档: API 文档整理、技术资料收集
  • 内容创作: 素材收集、事实核查、灵感发现

🔧 故障排除

常见问题

  1. 找不到 mcp 命令

    # 确保虚拟环境已激活
source .venv/bin/activate
which mcp

  2. 路径配置错误

    # 获取正确的绝对路径
cd context-scraper-mcp-server
pwd

  3. 权限问题

    # 检查文件权限
ls -la ~/.aws/amazonq/mcp.json
chmod 644 ~/.aws/amazonq/mcp.json

测试连接

# 直接运行服务器测试
cd context-scraper-mcp-server
source .venv/bin/activate
.venv/bin/mcp run server_v9.py

🤝 贡献

欢迎提交 Issue 和 Pull Request！

📄 许可证

本项目采用 MIT 许可证。

🙏 致谢

📚 相关链接