Page Finder and Extractor

Servidor MCP de Page Finder and Extractor

Dale un dominio de empresa y nombra un tipo de página. Encuentra esa página en el sitio web propio de la empresa y devuelve la URL, el método que la encontró y un nivel de confianza para ese método.

46 tipos de página. Vocabulario de descubrimiento en 11 idiomas europeos. Opcionalmente lee la página y devuelve campos estructurados.

Envuelve el actor Page Finder and Extractor de Mamba Labs.

Instalación

npx -y @mambalabsdev/mcp-page-finder-extractor

Requiere un token de API de Apify en APIFY_TOKEN. Crea uno en console.apify.com/account/integrations.

Claude Desktop

{
  "mcpServers": {
    "mamba-page-finder-extractor": {
      "command": "npx",
      "args": ["-y", "@mambalabsdev/mcp-page-finder-extractor"],
      "env": {
        "APIFY_TOKEN": "your-apify-token"
      }
    }
  }
}

Herramienta

find_company_page

Entrada	Requerido	Qué hace
domain	uno de estos tres	Un único dominio de empresa, por ejemplo stripe.com
domains	uno de estos tres	Varios dominios de empresa
companies	uno de estos tres	Empresas por nombre, como {name, country?, isin?, ticker?, url?}. La resolución de identidad se ejecuta primero y se cobra por separado
pageTypes	no	Cuál de los 46 tipos de página encontrar. Por defecto ["pricing"]
mode	no	locate para URLs, locate_and_extract para también leer la página. Por defecto locate
knownUrls	no	URLs que ya tienes, clasificadas por tipo de página. Omite el descubrimiento para esas
extractionFields	no	El menú de extracción independiente de la página
extractPageTypeFields	no	También ejecuta el mapa de campos vinculado al tipo de página. Por defecto "true"
maxPagesPerType	no	De 1 a 12, páginas candidatas abiertas por tipo. Un número o una cadena numérica. Por defecto 4
maxRequestsPerInput	no	De 5 a 200, límite de solicitudes por empresa. Un número o una cadena numérica. Por defecto 60
allowRender	no	Abre un navegador para páginas que necesitan JavaScript. Por defecto "true"
languageHints	no	Códigos de idioma para probar primero. Reordena el vocabulario, nunca lo acorta
concurrency	no	Cuántas empresas procesar a la vez. Por empresa, el actor aún hace una solicitud a la vez con un retraso. Un número o una cadena numérica. Por defecto 10
skipCache	no	"true" fuerza un rastreo nuevo en lugar de la caché de 14 días

Los 46 tipos de página: pricing, demo_request, free_trial, procurement_vendor, about, leadership_team, locations, investor_relations, annual_report, governance, security_trust_center, compliance_certifications, privacy_policy, terms_of_service, dpa_subprocessors, accessibility_statement, status_page, careers, job_board, benefits, culture, documentation, api_reference, integrations, changelog, roadmap, developer_portal, blog, press_newsroom, case_studies, customers_logos, resources_library, events_webinars, podcast, media_kit, partners, reseller_channel, affiliate_program, marketplace_listing, community, contact, support_help_center, login_app, sustainability_esg, diversity_programs, giving_volunteering.

Lectura de la salida

Una fila plana por entrada, siempre, incluidas las que no encontraron nada.

• {type}_url es la página localizada, por ejemplo pricing_url.
• {type}_found es true, false o null. Estos nunca se colapsan. false significa que el sitio se leyó, se buscaron su grafo de enlaces y su mapa del sitio, y la página no está allí. null significa que no se pudo leer lo suficiente para afirmarlo.
• {type}_method es cómo se encontró: known_url, known_host, homepage_anchor, footer_anchor, section_hop, sitemap o path_guess. La precisión difiere notablemente entre ellos.
• {type}_confidence se puntúa para ese método, no se combina. Umbral en 0.8 para cualquier cosa que un cliente verá. Un path_guess nunca puntúa por encima de 0.6.
• coverage y fetch_status indican si la búsqueda se completó. Léelos antes de confiar en un false.

En el modo locate_and_extract, los campos estructurados se colocan en un segundo conjunto de datos findings, un registro por campo, vinculados de vuelta por input_key, porque once filas de presentación no caben en una sola celda.

Facturación

Se paga por evento con créditos de Apify. Aproximadamente, en el nivel GRATUITO: $0.004 por tipo de página localizado, $0.003 por página extraída, $0.007 por nombre de empresa resuelto, y la tarifa estándar de inicio del actor.

Una búsqueda que ocurre se factura, incluidas las que regresan vacías, porque el trabajo es el mismo en ambos casos. Una búsqueda que no ocurre no se factura: un dominio muerto, una negativa o una desautorización de robots.txt devuelve found: null y sin cargo por localización.

Nunca se te cobra por resolución de identidad a menos que uses la ruta companies.

Qué hace y qué no hace este servidor

Lee páginas disponibles públicamente en el sitio web propio de la empresa. Respeta robots.txt por host, incluido Crawl-delay, hace una solicitud a la vez por dominio con un retraso y envía un agente de usuario descriptivo que lo identifica. No se hace pasar por un navegador, no firma encabezados y no reintenta para evadir un bloqueo. Cuando una página se sirve públicamente pero necesita JavaScript para leerse, un navegador la renderiza; un navegador nunca se usa contra un control de acceso.

Datos personales. Dos tipos de página pueden devolver una persona nombrada: contact devuelve el bloque de contacto que una empresa publica en su propia página de contacto, y about devuelve nombres de liderazgo publicados en su propia página "acerca de". Solo lo que la empresa publicó, sin atributos inferidos, sin búsquedas en otros lugares. Esos registros llevan is_personal_data: true y un lawful_basis, por lo que toda la clase se filtra con un predicado, o deja contact y about fuera de pageTypes y no se produce ninguno. Para un listado de personas en una empresa, usa Team Page People Extractor en su lugar.

Este servidor es de solo lectura. Inicia una ejecución del actor y devuelve el conjunto de datos. No escribe nada en ningún otro lugar.

Suite GTM de Mamba Labs

Este servidor es uno de los servidores MCP de Mamba Labs para datos de go-to-market, cada uno respaldado por su propio actor en Apify Store. Si prefieres instalar un paquete en lugar de muchos, @mambalabsdev/mcp-gtm-suite expone la suite a través de un solo servidor.

Explora toda la flota en Apify Store o en npm.

Si quieres un listado de personas en una empresa en lugar de una página en su sitio web, usa Team Page People Extractor y Contact Classifier en su lugar. Este actor devuelve un bloque de contacto solo cuando resulta estar en una página que le pediste encontrar.

Fuente

El actor está en Apify Store. Este envoltorio vive en github.com/mambalabsdev/mcp-page-finder-extractor y tiene licencia MIT.

Construido por Mamba Labs.