Page Finder and Extractor

Servidor MCP Page Finder and Extractor

Forneça o domínio de uma empresa e nomeie um tipo de página. Ele encontra essa página no próprio site da empresa e retorna a URL, o método que a encontrou e um nível de confiança para esse método.

46 tipos de página. Vocabulário de descoberta em 11 idiomas europeus. Opcionalmente, lê a página e retorna campos estruturados.

Encapsula o ator Page Finder and Extractor da Mamba Labs.

Instalação

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

Requer um token de API da Apify em APIFY_TOKEN. Crie um em 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"
      }
    }
  }
}

Ferramenta

find_company_page

Entrada	Obrigatório	O que faz
domain	um destes três	Um único domínio de empresa, por exemplo stripe.com
domains	um destes três	Vários domínios de empresas
companies	um destes três	Empresas por nome, como {name, country?, isin?, ticker?, url?}. A resolução de identidade é executada primeiro e é cobrada separadamente
pageTypes	não	Qual dos 46 tipos de página encontrar. Padrão ["pricing"]
mode	não	locate para URLs, locate_and_extract para também ler a página. Padrão locate
knownUrls	não	URLs que você já possui, organizadas por tipo de página. Ignora a descoberta para essas
extractionFields	não	O menu de extração independente do tipo de página
extractPageTypeFields	não	Também executa o mapa de campos vinculado ao tipo de página. Padrão "true"
maxPagesPerType	não	1 a 12, páginas candidatas abertas por tipo. Um número ou uma string numérica. Padrão 4
maxRequestsPerInput	não	5 a 200, limite de requisições por empresa. Um número ou uma string numérica. Padrão 60
allowRender	não	Abre um navegador para páginas que precisam de JavaScript. Padrão "true"
languageHints	não	Códigos de idioma para tentar primeiro. Reordena o vocabulário, nunca o encurta
concurrency	não	Quantas empresas processar de uma vez. Por empresa, o ator ainda faz uma requisição por vez com um atraso. Um número ou uma string numérica. Padrão 10
skipCache	não	"true" força um rastreamento novo em vez do cache de 14 dias

Os 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.

Lendo a saída

Uma linha plana por entrada, sempre, incluindo aquelas em que nada foi encontrado.

• {type}_url é a página localizada, por exemplo pricing_url.
• {type}_found é true, false ou null. Eles nunca são colapsados. false significa que o site foi lido, seu grafo de links e sitemap foram pesquisados, e a página não está lá. null significa que não havia conteúdo legível suficiente para afirmar isso.
• {type}_method é como foi encontrado: known_url, known_host, homepage_anchor, footer_anchor, section_hop, sitemap ou path_guess. A precisão varia bastante entre eles.
• {type}_confidence é pontuado para aquele método, não combinado. Limiar em 0,8 para qualquer coisa que um cliente verá. Um path_guess nunca pontua acima de 0,6.
• coverage e fetch_status indicam se a busca foi concluída. Leia-os antes de confiar em um false.

No modo locate_and_extract, os campos estruturados vão para um segundo conjunto de dados findings, um registro por campo, vinculado de volta por input_key, porque onze linhas de arquivamento não cabem em uma única célula.

Cobrança

Pague por evento em créditos da Apify. Aproximadamente, no nível GRATUITO: $0,004 por tipo de página localizado, $0,003 por página extraída, $0,007 por nome de empresa resolvido, e a taxa padrão de início de ator.

Uma busca que acontece é cobrada, incluindo as que retornam vazias, porque o trabalho é o mesmo de qualquer forma. Uma busca que não acontece não é cobrada: um domínio morto, uma recusa ou um robots.txt que bloqueia retorna found: null e nenhuma cobrança de localização.

Você nunca é cobrado pela resolução de identidade, a menos que use o caminho companies.

O que este servidor faz e não faz

Ele lê páginas publicamente disponíveis no próprio site da empresa. Ele respeita robots.txt por host, incluindo Crawl-delay, faz uma requisição por vez por domínio com um atraso e envia um user agent descritivo que o identifica. Ele não se passa por navegador, não assina cabeçalhos e não tenta novamente para contornar um bloqueio. Quando uma página é publicamente servida, mas precisa de JavaScript para ser lida, um navegador a renderiza; um navegador nunca é usado contra um controle de acesso.

Dados pessoais. Dois tipos de página podem retornar uma pessoa nomeada: contact retorna o bloco de contato que uma empresa publica em sua própria página de contato, e about retorna nomes de liderança publicados em sua própria página "sobre". Apenas o que a empresa publicou, sem atributos inferidos, sem consultas em outros lugares. Esses registros carregam is_personal_data: true e um lawful_basis, então toda a classe é filtrada com um único predicado, ou deixe contact e about fora de pageTypes e nenhum será produzido. Para uma lista de pessoas em uma empresa, use Team Page People Extractor em vez disso.

Este servidor é somente leitura. Ele inicia uma execução de ator e retorna o conjunto de dados. Ele não grava nada em nenhum outro lugar.

Suíte GTM da Mamba Labs

Este servidor é um dos servidores MCP da Mamba Labs para dados de go-to-market, cada um apoiado por seu próprio ator na Apify Store. Se você preferir instalar um pacote em vez de vários, @mambalabsdev/mcp-gtm-suite expõe a suíte por meio de um único servidor.

Navegue por toda a frota na Apify Store ou no npm.

Se você quiser uma lista de pessoas em uma empresa em vez de uma página em seu site, use Team Page People Extractor e Contact Classifier em vez disso. Este ator retorna um bloco de contato apenas quando ele por acaso está em uma página que você pediu para encontrar.

Fonte

O ator está na Apify Store. Este wrapper está em github.com/mambalabsdev/mcp-page-finder-extractor e é licenciado sob MIT.

Construído por Mamba Labs.