redup.mcp-web-parser

redup.mcp-web-parser

MCP server that parses web pages into clean markdown via Crawl4AI's HTTP API, exposing parse_page and health-check tools with configurable proxy and timeout.

Category
访问服务器

README

redup.mcp-web-parser

Docker test Python test

MCP Streamable HTTP service that parses web pages into cleaned markdown via Crawl4AI POST /crawl (0.8.x).

Model

  • Thin MCP façade over Crawl4AI HTTP API — no browser in this image.
  • Crawl requests set exclude_all_images (and disable screenshot/pdf) so upstream payloads stay small; markdown and links are unchanged for tools.
  • upstream_base_url is required at runtime (config or McpWebParser___upstream_base_url). Defaults ship empty (OSS-safe: no cluster hostnames or internal proxies in the repo).
  • Optional egress proxy for Crawl4AI IP substitution via server config default_proxycrawler_config.proxy_config.server. Empty = direct fetch. Proxy is not a tool argument (deploy/runtime only).
  • Tool results are JSON (success / markdown / status_code / …), not a concatenated text dump.
  • Targeted at Crawl4AI 0.8.x (per-request proxy_config works). On 0.9+ Docker API may reject proxy / proxy_config in the request body.

Contract: MCP tools parse_page, fetch_binary. Endpoint: POST http://<host>:8000/mcp (stateless Streamable HTTP, JSON). Metrics: GET http://<host>:9999/metrics (Prometheus via redup-servicekit).

Tool args:

  • parse_page — HTML pages → markdown JSON. Not for PDF/DOCX/ZIP/images (is_binary=true → switch to fetch_binary).
  • fetch_binary — download binary files (pdf/docx/zip/images/…). Download only (no OCR/unzip). Bytes only in JSON content_base64 (no shared disk path). Downstream tools must accept those bytes via their own input contract. Not a fallback when HTML parse_page fails.

Agent registration example: {"id":"web-parser","url":"http://…:8000/mcp"} → LLM names mcp__web-parser__parse_page / mcp__web-parser__fetch_binary.

Configuration

config/config.yaml:

service:
  console_log_level: INFO
  host: "0.0.0.0"
  port: 8000
  path: /mcp
  max_workers: 4
  hpa_max_workers: 2

McpWebParser:
  upstream_base_url: ""
  upstream_token: ""
  default_proxy: ""
  request_timeout_seconds: 120
  max_timeout_seconds: 300
  max_markdown_chars: 100000
  max_binary_bytes: 15728640
  delay_before_return_html: 2.5
  json_response: true
  stateless_http: true

Override via servicekit env substitution (section___key):

export McpWebParser___upstream_base_url=https://crawl4ai.example.com
export McpWebParser___default_proxy=http://user:pass@proxy.example:3128
export McpWebParser___upstream_token=
export service___port=8000

Startup fails fast if upstream_base_url is empty.

Run with Docker

docker run --rm -p 8000:8000 -p 9999:9999 \
  -e McpWebParser___upstream_base_url=https://crawl4ai.example.com \
  -e McpWebParser___default_proxy=http://proxy.example:3128 \
  redup4ai/redup.mcp-web-parser:0.1.0-3.13-slim

MCP URL: http://127.0.0.1:8000/mcp. Metrics: http://127.0.0.1:9999/metrics.

GitHub Release publishes {VERSION}-3.13-slim to Docker Hub (DOCKERHUB_USER / DOCKERHUB_PASSWORD secrets).

Run locally without Docker

Requires Python 3.13+ and a reachable Crawl4AI base URL:

export McpWebParser___upstream_base_url=https://crawl4ai.example.com
uv sync
uv run python -m redup_mcp_web_parser.service config/config.yaml

Desktop MCP clients (stdio):

uv run redup-mcp-web-parser \
  --transport stdio \
  --upstream-base-url https://crawl4ai.example.com

Tests

uv sync --dev
uv run pytest tests -q -m "not live"

Optional live smoke (needs a real Crawl4AI):

export McpWebParser___upstream_base_url=https://crawl4ai.example.com
uv run pytest tests -m live -q

License

MIT — see LICENSE and NOTICE.

推荐服务器

Baidu Map

Baidu Map

百度地图核心API现已全面兼容MCP协议,是国内首家兼容MCP协议的地图服务商。

官方
精选
JavaScript
Playwright MCP Server

Playwright MCP Server

一个模型上下文协议服务器,它使大型语言模型能够通过结构化的可访问性快照与网页进行交互,而无需视觉模型或屏幕截图。

官方
精选
TypeScript
Magic Component Platform (MCP)

Magic Component Platform (MCP)

一个由人工智能驱动的工具,可以从自然语言描述生成现代化的用户界面组件,并与流行的集成开发环境(IDE)集成,从而简化用户界面开发流程。

官方
精选
本地
TypeScript
Audiense Insights MCP Server

Audiense Insights MCP Server

通过模型上下文协议启用与 Audiense Insights 账户的交互,从而促进营销洞察和受众数据的提取和分析,包括人口统计信息、行为和影响者互动。

官方
精选
本地
TypeScript
VeyraX

VeyraX

一个单一的 MCP 工具,连接你所有喜爱的工具:Gmail、日历以及其他 40 多个工具。

官方
精选
本地
graphlit-mcp-server

graphlit-mcp-server

模型上下文协议 (MCP) 服务器实现了 MCP 客户端与 Graphlit 服务之间的集成。 除了网络爬取之外,还可以将任何内容(从 Slack 到 Gmail 再到播客订阅源)导入到 Graphlit 项目中,然后从 MCP 客户端检索相关内容。

官方
精选
TypeScript
Kagi MCP Server

Kagi MCP Server

一个 MCP 服务器,集成了 Kagi 搜索功能和 Claude AI,使 Claude 能够在回答需要最新信息的问题时执行实时网络搜索。

官方
精选
Python
e2b-mcp-server

e2b-mcp-server

使用 MCP 通过 e2b 运行代码。

官方
精选
Neon MCP Server

Neon MCP Server

用于与 Neon 管理 API 和数据库交互的 MCP 服务器

官方
精选
Exa MCP Server

Exa MCP Server

模型上下文协议(MCP)服务器允许像 Claude 这样的 AI 助手使用 Exa AI 搜索 API 进行网络搜索。这种设置允许 AI 模型以安全和受控的方式获取实时的网络信息。

官方
精选