CN Scraper MCP

1<p align="center">
2  <img src="https://raw.githubusercontent.com/goesByhc/cn-scraper-mcp/master/assets/cn-scraper-mcp-icon.png" alt="CN Scraper MCP 图标" width="220">
3</p>
4 
5<h1 align="center">CN Scraper MCP</h1>
6 
7<p align="center">
8  <strong>让 AI Agent 直接搜索中国互联网——淘宝、京东、小红书、知乎、微博、B站、知识星球……不再被反爬墙挡住。</strong>
9</p>
10 
11<p align="center">
12  <a href="https://python.org"><img src="https://img.shields.io/badge/python-3.11%2B-blue" alt="Python 3.11+"></a>
13  <a href="https://modelcontextprotocol.io"><img src="https://img.shields.io/badge/MCP-compatible-green" alt="MCP compatible"></a>
14  <a href="https://github.com/goesByhc/cn-scraper-mcp/blob/master/LICENSE"><img src="https://img.shields.io/badge/license-MIT-green" alt="MIT License"></a>
15  <a href="https://github.com/goesByhc/cn-scraper-mcp/actions/workflows/ci.yml"><img src="https://github.com/goesByhc/cn-scraper-mcp/actions/workflows/ci.yml/badge.svg" alt="CI"></a>
16</p>
17 
18<!-- mcp-name: io.github.goesByhc/cn-scraper-mcp -->
19 
20---
21 
22## 这是什么
23 
24每个 AI Agent（Codex、Claude Code、Cursor、Trae）都能搜网页，但中文平台通常需要登录态、浏览器环境或平台专用参数：
25 
26- **淘宝**：需要浏览器一致的网络指纹和登录 Cookie
27- **京东**：依赖已登录的本地浏览器环境
28- **小红书**：需要住宅 IP、本地浏览器和搜索结果中的访问参数
29- **知乎**：游客搜索已关闭，全部 API 需要登录态
30- **拼多多**：平台限制严格，目前不推荐使用
31- **微博**：搜索 API 需要登录态（SUB token），热搜游客即可访问
32- **抖音**：需要浏览器登录并可能人工处理验证码
33- **B站**：搜索、热门、视频详情和评论可直接使用公开 API
34- **豆瓣**：条目搜索、条目详情和短评/影评
35- **大众点评**：商户搜索、商户详情和用户评价
36- **知识星球**：付费社群，内容藏在 cookie 认证的 REST API 后面
37 
38**这个项目就是把踩了好几个月的坑打包成一个 MCP Server**——你的 Agent 一句话就能搜：`taobao_search("儿童学习桌")`。
39 
40### 安全与隐私
41 
42`cn-scraper-mcp` 在你的电脑上本地运行，不需要把 Cookie、账号密码或浏览器 Profile 上传到任何中转服务器：
43 
44- Cookie 默认保存在 `~/.cn-scraper-cookies/`，京东登录态保存在本地 Chrome Profile。
45- 登录过程直接发生在平台官方页面，软件不会读取或保存你的账号密码。
46- Cookie 值不会写入日志，也不会通过 MCP 工具结果返回给 Agent；工具只返回状态、字段名和本地路径等非敏感信息。
47- 发起抓取或在线登录验证时，凭证只会发送给对应平台域名。
48- 代码完全开源，所有凭证处理流程都可以审查。
49 
50建议仍像保护浏览器登录态一样保护本机账号：不要分享 Cookie 文件，不要把凭证提交到 Git，并限制本地文件的访问权限。
51 
52---
53 
54## 平台支持
55 
56### 电商
57 
58| 平台 | 方式 | 无需浏览器 | 限制 | 稳定性 |
59|------|------|-----------|------|--------|
60| **淘宝/Tmall** | `curl_cffi` + MTOP 签名 | ✅ | 宽松¹ | ✅ 稳定 |
61| **京东/JD** | Chrome CDP headful | 需 Chrome | 中等 | ✅ 稳定² |
62| **拼多多/PDD** | Chrome CDP + iPhone UA | 需 Chrome | 单次搜索限制³ | ⚠️ 不推荐 |
63 
64> ¹ 淘宝无硬性限流，但平台可能随时收紧，不建议高频批量抓取。
65> ² 京东由本地 Chrome 生成登录态和动态签名，工具读取结构化 API 响应；通过 `guided_login("jd")` 可自动初始化持久化 Profile。
66> ³ 拼多多每个浏览器会话仅放行第一次搜索，之后永久"系统繁忙"。单次搜索结果零实用价值，引擎代码保留但不推荐使用。
67 
68### 内容社区
69 
70| 平台 | 方式 | 无需浏览器 | 限制 | 稳定性 |
71|------|------|-----------|------|--------|
72| **小红书/XHS** | 本地 Chrome CDP + cookie | 需 Chrome | 中等⁴ | ✅ 稳定 |
73| **知乎/Zhihu** | REST API v4 | ✅ | 正常 | ✅ 稳定 |
74| **知识星球/ZSXQ** | REST API v2 | ✅ | 正常 | ✅ 稳定 |
75| **微博/Weibo** | REST API | ✅ | 正常 | ✅ 稳定 |
76| **抖音/Douyin** ⚠️ | Chrome CDP + 验证码轮询 | 需 Chrome | 实验性⁵ | ⚠️ 实验性 |
77| **B站/Bilibili** | 公开 Web API | ✅ | 建议低频调用 | ✅ 稳定 |
78| **豆瓣/Douban** | 移动端 JSON API | ✅ | 搜索可能触发风控 | ⚠️ 依会话 |
79| **大众点评/Dianping** | 公开网页解析 | ✅ | 可能触发页面风控 | ⚠️ 依页面结构 |
80 
81> ⁴ 小红书只允许住宅 IP——云浏览器/数据中心 IP 直接封。必须用本地 Chrome。
82> ⁵ 抖音搜索需要登录态 + 手动过滑块验证码。支持 120s 等待用户手动验证，通过后自动抓取。`guided_login("douyin")` 可引导登录。
83 
84## 快速开始
85 
86### 安装
87 
88```bash
89pip install cn-scraper-mcp
90```
91 
92也可以从源码安装开发版本：
93 
94```bash
95git clone https://github.com/goesByhc/cn-scraper-mcp.git
96cd cn-scraper-mcp
97pip install .
98```
99 
100### 推荐：CDP 自动登录并保存 Cookie
101 
102安装并连接 MCP 后，直接让 Agent 调用：
103 
104```text
105guided_login(platform="weibo")
106```
107 
108它会打开本地 Chrome 并进入平台官方登录页。你自己扫码或输入密码后，工具通过 CDP 自动读取完整 Cookie（包括 JavaScript 无法读取的 HttpOnly Cookie），再保存到本机 `~/.cn-scraper-cookies/`。京东则保存到本地持久化 Chrome Profile。
109 
110这是推荐方式，因为它不会要求你复制 Cookie，不容易漏掉关键字段，也更适合 Cookie 过期后的重新登录。可用平台名包括 `taobao`、`jd`、`xiaohongshu`、`zhihu`、`weibo`、`zsxq`、`douyin`、`pdd`、`douban` 和 `dianping`。
111 
112已有通过远程调试端口启动且登录完成的 Chrome 时，也可以调用：
113 
114```text
115harvest_cookies(platform="weibo")
116```
117 
118### 启动
119 
120```bash
121cn-scraper-mcp
122# 或: python -m cn_scraper_mcp.server
123```
124 
125### Docker
126 
127容器内预装 Chromium，无需本地浏览器：
128 
129```bash
130docker build -t cn-scraper-mcp .
131docker run -i --rm \
132  -v ~/.cn-scraper-cookies:/root/.cn-scraper-cookies \
133  -v ~/.jd_login_profile:/root/.jd_login_profile \
134  cn-scraper-mcp
135```
136 
137远程服务器部署可以切换到 HTTP transport，通过 `IP + 端口` 连接：
138 
139```bash
140docker pull ghcr.io/goesbyhc/cn-scraper-mcp:latest
141docker run -d --name cn-scraper-mcp \
142  -p 8000:8000 \
143  -e CN_SCRAPER_TRANSPORT=http \
144  -e CN_SCRAPER_HOST=0.0.0.0 \
145  -e CN_SCRAPER_PORT=8000 \
146  -e CN_SCRAPER_PATH=/mcp \
147  -v ~/.cn-scraper-cookies:/root/.cn-scraper-cookies \
148  -v ~/.jd_login_profile:/root/.jd_login_profile \
149  ghcr.io/goesbyhc/cn-scraper-mcp:latest
150```
151 
152远程 MCP endpoint：
153 
154```text
155http://<server-ip>:8000/mcp
156```
157 
158也可以使用 Docker Compose：
159 
160```bash
161docker compose --profile remote up -d cn-scraper-http
162```
163 
164可用环境变量：
165 
166| 变量 | 默认值 | 说明 |
167|------|------|------|
168| `CN_SCRAPER_TRANSPORT` | `stdio` | `stdio`、`http`、`sse`，也接受 `streamable-http` 作为 `http` 别名 |
169| `CN_SCRAPER_HOST` | `0.0.0.0` | HTTP/SSE 模式监听地址 |
170| `CN_SCRAPER_PORT` | `8000` | HTTP/SSE 模式监听端口 |
171| `CN_SCRAPER_PATH` | `/mcp` | HTTP/SSE MCP endpoint 路径 |
172 
173> 远程 HTTP 模式会让 MCP 工具通过网络访问本机 Cookie/Profile 目录，请勿直接裸露公网端口。建议放在内网、VPN、防火墙白名单或带鉴权的反向代理后面。小红书、京东、抖音等依赖本地浏览器、住宅 IP 或人工验证码的平台，在远程服务器上的稳定性取决于服务器网络与图形环境。
174 
175当平台要求人工处理登录、验证码或风控页时，工具会返回统一的 `ACTION_REQUIRED` 结构，并在 `action_required` 字段中说明平台、原因、处理动作、处理链接和建议重试的工具。当前抖音验证码已接入该结构；远程 Docker 场景下仍需要你通过可见浏览器或后续 noVNC 网页完成验证。
176 
177Agent 集成配置：
178 
179```toml
180# Codex ~/.codex/config.toml
181[mcp_servers.cn-scraper]
182command = "docker"
183args = ["run", "-i", "--rm",
184  "-v", "/本机绝对路径/.cn-scraper-cookies:/root/.cn-scraper-cookies",
185  "-v", "/本机绝对路径/.jd_login_profile:/root/.jd_login_profile",
186  "cn-scraper-mcp"]
187```
188 
189请把 `/本机绝对路径/` 替换为真实路径；MCP 客户端直接启动进程时不会替你展开 `~`。
190 
191> Docker 镜像内置 Chromium + `--no-sandbox`。京东 headful 模式如需 Xvfb，设置环境变量 `XVFB_WRAPPER=1`。小红书仍需住宅 IP——数据中心 IP 会被封。
192 
193---
194 
195## MCP 工具一览
196 
197### 电商搜索
198 
199| 工具 | 说明 |
200|------|------|
201| `taobao_search` | 淘宝/天猫关键词搜索 → 价格、销量、店铺 |
202| `taobao_product` | 淘宝商品详情 → 标题、价格、店铺 |
203| `jd_search` | 京东关键词搜索 → SKU、价格、商品名 |
204| `jd_product` | 京东商品详情 → 名称、价格、店铺、规格 |
205| `pdd_search` | 拼多多搜索 → 仅首次有效 |
206| `pdd_product_detail` | 拼多多商品详情 → 不限次数 |
207 
208### 内容社区
209 
210| 工具 | 说明 |
211|------|------|
212| `xiaohongshu_search` | 小红书笔记搜索 → 标题、作者、点赞、`noteId`、`xsec_token` |
213| `xiaohongshu_note` | 小红书笔记详情 → 标题、正文、作者、标签、互动数、发布时间 |
214| `xiaohongshu_comments` | 小红书笔记首屏评论 → 评论内容、用户、点赞、时间（需要 `noteId` + `xsec_token`） |
215| `zhihu_search` | 知乎搜索 → 问题、文章 |
216| `zhihu_hot_list` | 知乎热榜 |
217| `zhihu_comments` | 知乎回答评论（支持分页） |
218| `zhihu_answer` | 知乎回答完整正文 |
219| `zhihu_question_answers` | 知乎问题下的回答列表 |
220| `weibo_search` | 微博搜索 → 微博帖子内容 |
221| `weibo_hot_list` | 微博热搜榜 |
222| `weibo_user_timeline` | 微博用户时间线 |
223| `weibo_comments` | 微博帖子评论（支持分页） |
224| `weibo_post` | 微博帖子完整详情 |
225| `douyin_search` | 抖音搜索 → CDP 浏览器 + 验证码轮询（⚠️ 实验性） |
226| `douyin_hot_list` | 抖音热搜榜 |
227| `douyin_video` | 抖音视频详情 |
228| `douyin_comments` | 抖音视频评论 |
229| `bilibili_search` | B 站视频搜索（纯 HTTP，无需登录） |
230| `bilibili_popular` | B 站热门视频榜 |
231| `bilibili_video` | B 站视频详情及互动统计 |
232| `bilibili_comments` | B 站视频一级评论（支持分页） |
233| `douban_search` | 豆瓣书籍、电影、音乐等条目搜索 |
234| `douban_subject` | 豆瓣条目详情 |
235| `douban_reviews` | 豆瓣条目短评/影评 |
236| `dianping_search` | 大众点评商户搜索 |
237| `dianping_shop` | 大众点评商户详情 |
238| `dianping_reviews` | 大众点评商户评价 |
239| `zsxq_topics` | 知识星球付费社群帖子 |
240| `zsxq_article` | 知识星球文章全文 |
241 
242### Cookie 管理
243 
244| 工具 | 说明 |
245|------|------|
246| `check_cookies` | 检查所有平台 Cookie 状态 |
247| `verify_login` | 在线验证知乎、微博、知识星球、抖音登录态；不支持的平台明确返回 unsupported |
248| `diagnose` | 环境诊断——依赖版本、浏览器、CDP 端口 |
249| `harvest_cookies` | CDP 自动收割 Cookie（包括 HttpOnly） |
250| `guided_login` | 引导登录——自动打开浏览器 → 你扫码 → 登录后自动收割 Cookie |
251 
252## MCP 客户端配置
253 
254### Codex
255 
256`~/.codex/config.toml`：
257 
258```toml
259[mcp_servers.cn-scraper]
260command = "cn-scraper-mcp"
261args = []
262```
263 
264保存后可用 `codex mcp list` 检查连接状态。
265 
266### Claude Code / Cursor / Reasonix
267 
268这三个客户端都支持标准的 `mcpServers` JSON：
269 
270- Claude Code：项目根目录 `.mcp.json`
271- Cursor：全局 `~/.cursor/mcp.json`，或项目目录 `.cursor/mcp.json`
272- Reasonix：项目根目录 `.mcp.json`
273 
274```json
275{
276  "mcpServers": {
277    "cn-scraper": {
278      "command": "cn-scraper-mcp",
279      "args": []
280    }
281  }
282}
283```
284 
285### Trae
286 
287Trae 不同版本的配置文件位置可能不同。建议在设置中的 MCP 管理界面添加本地 stdio Server：名称填写 `cn-scraper`，命令填写 `cn-scraper-mcp`，参数留空。
288 
289> 如果客户端提示找不到命令，先用 `where cn-scraper-mcp`（Windows）或 `which cn-scraper-mcp`（macOS/Linux）找到完整路径，再把 `command` 替换为该路径。
290 
291---
292 
293## 更多文档
294 
295- [架构设计](https://github.com/goesByhc/cn-scraper-mcp/blob/master/docs/architecture.md)：职责边界、平台契约和 Agent 开发守则
296- [开发规范](https://github.com/goesByhc/cn-scraper-mcp/blob/master/CONTRIBUTING.md)：环境、编码、测试和 Review 要求
297 
298---
299 
300## 常见问题
301 
302**Q: 使用这个软件安全吗？**
303软件在你的电脑上本地运行，不经过项目方的中转服务器。Cookie 和浏览器 Profile 保存在本机，Cookie 值不会写入日志或通过 MCP 返回给 Agent；需要访问平台时，凭证只发送给对应的平台域名。
304 
305**Q: 软件会读取或保存账号密码吗？**
306不会。登录发生在平台官方页面，由你自己扫码或输入密码；工具只在登录完成后通过 CDP 保存浏览器产生的 Cookie。
307 
308**Q: Cookie 保存在什么地方？**
309Cookie 默认保存在 `~/.cn-scraper-cookies/`，京东使用本地持久化 Chrome Profile。请像保护已登录浏览器一样保护这些文件，不要分享或提交到 Git。
310 
311**Q: 怎么初始化 Cookie 最方便？**
312用 `guided_login("平台名")` 工具。它会自动打开 Chrome → 导航到登录页 → 等你扫码/输密码 → 登录后自动收割 Cookie 并保存。
313 
314**Q: 合法吗？**
315仅用于**学习和研究目的**。批量抓取可能违反平台服务条款。风险自负。切勿用于垃圾信息、DDoS 或商业级大规模抓取。
316 
317---
318 
319## 许可证
320 
321MIT — 详见 [LICENSE](https://github.com/goesByhc/cn-scraper-mcp/blob/master/LICENSE)。
322 
323## 支持项目
324 
325如果这个项目帮你节省了时间，可以请作者喝杯咖啡：
326 
327<p align="center">
328  <img src="assets/wechat-pay.jpg" alt="微信赞赏码" width="240">
329</p>
330 
331## 致谢
332 
333- [curl_cffi](https://github.com/lexiforest/curl_cffi) — TLS 指纹伪装
334- [FastMCP](https://github.com/jlowin/fastmcp) — MCP Server 框架
335- [websockets](https://github.com/python-websockets/websockets) — 异步 WebSocket
336 
337---
338 
339*Made with ☕ and months of frustration at Chinese platform anti-bot walls.*
340