Firecrawl 站点抓取
以异步任务方式抓取整个网站——先提交,然后轮询该任务的状态和结果。
url 为根抓取整个站点。由于完整遍历可能耗时较长,Crawl 以异步任务方式运行:先提交任务,然后轮询获取状态和结果。
生命周期
- 提交 ——
POST /apis/v1/firecrawl/crawl,带上抓取请求体和必填的Idempotency-Key请求头。成功后返回202 Accepted、指向任务资源的Location响应头(/apis/v1/firecrawl/crawl/{jobId}),以及一个status初始为queued的任务对象。 - 轮询 ——
GET /apis/v1/firecrawl/crawl/{jobId},重复直到status进入终态:completed、failed或cancelled。当为completed时,抓取到的页面位于output中。 - 列表 ——
GET /apis/v1/firecrawl/crawl(可选limit、status、cursor查询参数)用于翻阅你的抓取任务。 - 取消 ——
POST /apis/v1/firecrawl/crawl/{jobId}/cancel请求取消。
url 必须是 HTTPS 且不能是 PDF,limit(1 到 1000)限制抓取页数。计费按 Firecrawl credit 计量——每抓取一页消耗 1 credit——因此总费用随实际处理的页数增长。如果要抓取一组已知 URL 而不是沿链接遍历,请使用 post_firecrawl-batch-scrape。授权
Bearer authentication header of the form Bearer <token>, where <token> is your auth token.
请求头
使提交具备幂等性的唯一 key(1 到 191 字符)。使用相同 key 重复提交会返回原任务。
191请求体
要抓取的 HTTPS 根 URL。不支持 PDF URL。
"https://docs.firecrawl.dev"
抓取页面数量的上限。
1 <= x <= 100050
只抓取路径匹配这些模式之一的 URL。
20256跳过路径匹配这些模式之一的 URL。
20256从根 URL 出发的链接发现最大深度。
0 <= x <= 10发现过程中如何使用站点的 sitemap。
skip, include, only 把仅查询字符串不同的 URL 视为同一个页面。
抓取整个域名,而不仅限于根 URL 之下的子树。
沿链接进入外部域名。
沿链接进入根域名的子域名。
两次请求之间的延迟秒数(0 到 30)。
0 <= x <= 30并发抓取页面数的上限(1 到 20)。
1 <= x <= 20抓取过程中对每个页面应用的抓取选项。在计量模式下输出始终为 markdown。
响应
抓取任务已受理。Location 响应头指向该任务资源;请轮询直到终态。
一个异步集成任务。由提交调用(HTTP 202)以及轮询/详情调用返回。请按 id 轮询该任务,直到 status 进入终态(completed、failed 或 cancelled)。
唯一的 AIsa 任务标识符。可用它轮询、列出或取消该任务。
"iaj_01HZY8Q2M4K7N9V3T6W1X0B2C3"
始终为 "integration_async_job"。
"integration_async_job"
该任务所属的提交 endpoint。
"/apis/v1/firecrawl/crawl"
面向用户的生命周期状态。queued 和 running 为非终态;completed、failed 和 cancelled 为终态。
queued, running, completed, failed, cancelled 任务被受理的时间。
任务进入终态的时间。任务仍处于排队或运行中时为 null。
任务结果载荷。仅在 status 为 completed 后出现。对 crawl 而言是抓取到的页面数组;对 batch scrape 而言是抓取到的文档数组。
当结果已超过留存窗口、不再可获取时为 true。
当 status 为 failed 时出现,否则为 null。