高级抓取指南

涵盖 Firecrawl 的 scrape、crawl、map 和 agent 各端点下所有选项的参考说明。

基础抓取

要抓取单个页面并获取干净的 Markdown 内容，请使用 /scrape 端点。

# pip install firecrawl-py

from firecrawl import Firecrawl

firecrawl = Firecrawl(api_key="fc-YOUR-API-KEY")

doc = firecrawl.scrape("https://firecrawl.dev")

print(doc.markdown)

抓取 PDF

Firecrawl 支持 PDF。需要确保解析 PDF 时，请使用 parsers 选项（例如 parsers: ["pdf"]）。你可以通过 mode 选项来控制解析策略：

auto（默认）— 先尝试基于文本的快速提取，如有需要再回退到 OCR。
fast — 仅进行基于文本（嵌入文本）的解析。速度最快，但会跳过扫描件或图片较多的页面。
ocr — 对每一页强制使用 OCR 解析。适用于扫描文档，或在 auto 误判页面类型时使用。

{ type: "pdf" } 和 "pdf" 都默认使用 mode: "auto"。

"parsers": [{ "type": "pdf", "mode": "fast", "maxPages": 50 }]

抓取选项

使用 /scrape 端点时，你可以通过以下选项定制请求。

formats (`formats`)

formats 数组控制 scraper 返回哪些输出类型。默认值：["markdown"]。 字符串 formats：直接传入名称 (例如 "markdown") 。

Format	Description
`markdown`	页面内容转换为干净的 Markdown。
`html`	处理后的 HTML，已移除不必要的元素。
`rawHtml`	服务器返回的原始 HTML，保持原样。
`links`	页面上发现的所有链接。
`images`	页面上发现的所有图片。
`summary`	使用 LLM 生成的页面内容摘要。
`branding`	提取品牌风格特征 (颜色、字体、排版、间距、UI 组件) 。

对象 formats：传入包含 type 和其他选项的对象。

Format	Options	Description
`json`	`prompt?: string`, `schema?: object`	使用 LLM 抽取结构化数据。提供 JSON schema 和/或自然语言提示词 (最多 10,000 字符) 。
`screenshot`	`fullPage?: boolean`, `quality?: number`, `viewport?: { width, height }`	捕获截图。每个请求最多一个。viewport 最大分辨率为 7680×4320。截图 URL 会在 24 小时后过期。
`changeTracking`	`modes?: ("json" \| "git-diff")[]`, `tag?: string`, `schema?: object`, `prompt?: string`	跟踪不同抓取结果之间的变化。需要在 formats 数组中同时包含 `"markdown"`。
`attributes`	`selectors: [{ selector: string, attribute: string }]`	从匹配 CSS 选择器的元素中提取指定的 HTML 属性。

内容过滤

这些参数用于控制页面的哪些部分会出现在输出中。onlyMainContent 会优先执行，用于去掉页面框架内容（导航、页脚等），然后 includeTags 和 excludeTags 会在此基础上进一步收窄结果范围。若将 onlyMainContent: false，则会使用整页 HTML 作为后续标签过滤的起点。

参数	类型	默认值	描述
`onlyMainContent`	`boolean`	`true`	仅返回主体内容。设为 `false` 则返回整页内容。
`includeTags`	`array`	—	要包含的 HTML 标签、类或 ID（例如 `["h1", "p", ".main-content"]`）。
`excludeTags`	`array`	—	要排除的 HTML 标签、类或 ID（例如 `["#ad", "#footer"]`）。

时间与缓存

参数	类型	默认值	描述
`waitFor`	`integer` (ms)	`0`	在抓取前额外等待的时间，会叠加在智能等待的基础上。请谨慎使用。
`maxAge`	`integer` (ms)	`172800000`	如果缓存的存在时间小于该值，则返回缓存结果（默认 2 天）。设为 `0` 则始终获取最新内容。
`timeout`	`integer` (ms)	`30000`	在中止请求前允许的最长请求耗时（默认 30 秒）。

PDF 解析

参数	类型	默认值	描述
`parsers`	`array`	`["pdf"]`	控制 PDF 处理。使用 `[]` 跳过解析并返回 base64（固定费用 1 积分）。

{ "type": "pdf", "mode": "fast" | "auto" | "ocr", "maxPages": 10 }

属性	类型	默认值	描述
`type`	`"pdf"`	(必填)	解析器类型。
`mode`	`"fast" \| "auto" \| "ocr"`	`"auto"`	`fast`：仅进行基于文本的抽取。`auto`：快速模式，必要时回退到 OCR。`ocr`：强制使用 OCR。
`maxPages`	`integer`	—	解析的最大页数上限。

actions

在抓取前执行浏览器 actions。这对于处理动态内容、页面导航或需要用户交互才能访问的页面非常有用。每个请求最多可包含 50 个 actions，并且所有 wait actions 与 waitFor 的总等待时间不得超过 60 秒。

Action	Parameters	Description
`wait`	`milliseconds?: number`, `selector?: string`	等待固定时长或等待某个元素可见（两者择一传入，不要同时使用）。使用 `selector` 时，超时时间为 30 秒。
`click`	`selector: string`, `all?: boolean`	点击匹配该 CSS 选择器的元素。设置 `all: true` 将点击所有匹配元素。
`write`	`text: string`	向当前获得焦点的输入字段键入文本。你必须先通过 `click` action 使元素获得焦点。
`press`	`key: string`	模拟按下某个键盘按键（例如 `"Enter"`、`"Tab"`、`"Escape"`）。
`scroll`	`direction?: "up" \| "down"`, `selector?: string`	滚动整个页面或某个特定元素。方向默认为 `"down"`。
`screenshot`	`fullPage?: boolean`, `quality?: number`, `viewport?: { width, height }`	截取页面截图。最大视口分辨率为 7680×4320。
`scrape`	(none)	在 action 序列执行到此步骤时，捕获当前页面 HTML。
`executeJavascript`	`script: string`	在页面中运行 JavaScript 代码。返回 `{ type, value }`。
`pdf`	`format?: string`, `landscape?: boolean`, `scale?: number`	生成 PDF。支持的格式包括 `"A0"` 到 `"A6"`、`"Letter"`、`"Legal"`、`"Tabloid"`、`"Ledger"`。默认值为 `"Letter"`。

from firecrawl import Firecrawl

firecrawl = Firecrawl(api_key='fc-YOUR-API-KEY')

doc = firecrawl.scrape('https://example.com', {
  'actions': [
    { 'type': 'wait', 'milliseconds': 1000 },
    { 'type': 'click', 'selector': '#accept' },
    { 'type': 'scroll', 'direction': 'down' },
    { 'type': 'click', 'selector': '#q' },
    { 'type': 'write', 'text': 'firecrawl' },
    { 'type': 'press', 'key': 'Enter' },
    { 'type': 'wait', 'milliseconds': 2000 }
  ],
  'formats': ['markdown']
})

print(doc.markdown)

actions 执行说明

在使用 Write 前，需要先执行一次 click 以聚焦目标元素。
Scroll 可以接受一个可选的 selector，用于滚动特定元素而不是整个页面。
Wait 接受 milliseconds（固定延迟）或 selector（等待元素可见）两种参数中的一种。
actions 按顺序执行：每一步都会在下一步开始前完成。
actions 不支持 PDF。如果 URL 解析为 PDF 文档，请求将会失败。

高级操作示例

执行截图操作：

cURL

curl -X POST https://api.firecrawl.dev/v2/scrape \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer fc-YOUR-API-KEY' \
  -d '{
    "url": "https://example.com",
    "actions": [
      { "type": "click", "selector": "#load-more" },
      { "type": "wait", "milliseconds": 1000 },
      { "type": "screenshot", "fullPage": true, "quality": 80 }
    ]
  }'

点击多个元素：

cURL

curl -X POST https://api.firecrawl.dev/v2/scrape \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer fc-YOUR-API-KEY' \
  -d '{
    "url": "https://example.com",
    "actions": [
      { "type": "click", "selector": ".expand-button", "all": true },
      { "type": "wait", "milliseconds": 500 }
    ],
    "formats": ["markdown"]
  }'

生成 PDF 文件：

cURL

curl -X POST https://api.firecrawl.dev/v2/scrape \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer fc-YOUR-API-KEY' \
  -d '{
    "url": "https://example.com",
    "actions": [
      { "type": "pdf", "format": "A4", "landscape": false }
    ]
  }'

完整抓取示例

以下请求组合了多个抓取选项：

cURL

curl -X POST https://api.firecrawl.dev/v2/scrape \
    -H 'Content-Type: application/json' \
    -H 'Authorization: Bearer fc-YOUR-API-KEY' \
    -d '{
      "url": "https://docs.firecrawl.dev",
      "formats": [
        "markdown",
        "links",
        "html",
        "rawHtml",
        { "type": "screenshot", "fullPage": true, "quality": 80 }
      ],
      "includeTags": ["h1", "p", "a", ".main-content"],
      "excludeTags": ["#ad", "#footer"],
      "onlyMainContent": false,
      "waitFor": 1000,
      "timeout": 15000,
      "parsers": ["pdf"]
    }'

该请求会返回 Markdown、HTML、原始 HTML、链接以及整页截图。它将内容范围限定为 <h1>、<p>、<a> 和 .main-content，同时排除 #ad 和 #footer，在开始抓取前等待 1 秒，将超时时间设置为 15 秒，并启用 PDF 解析。有关详细信息，请参阅完整的 Scrape API 参考文档。

通过 formats 进行 JSON 提取

在 formats 中使用 JSON 格式对象，一次性提取结构化数据：

from firecrawl import Firecrawl

firecrawl = Firecrawl(api_key='fc-YOUR-API-KEY')

doc = firecrawl.scrape('https://firecrawl.dev', {
  'formats': [{
    'type': 'json',
    'prompt': 'Extract the features of the product',
    'schema': {
      'type': 'object',
      'properties': { 'features': { 'type': 'object' } },
      'required': ['features']
    }
  }]
})

print(doc.json)

Agent endpoint

使用 /v2/agent 端点进行自动化的多页面数据提取。Agent 以异步方式运行：你先创建一个任务，然后通过轮询获取结果。

Agent 选项

参数	类型	默认值	描述
`prompt`	`string`	(required)	自然语言说明，用于描述要提取哪些数据 (最多 10,000 个字符) 。
`urls`	`array`	—	将 Agent 的访问限制在这些 URL。
`schema`	`object`	—	用于组织提取数据结构的 JSON 模式 (schema) 。
`maxCredits`	`number`	`2500`	Agent 可消耗的最大额度。Dashboard 最多支持 2,500；如需更高上限，请通过 API 设置 (高于 2,500 的值始终按付费请求计费) 。
`strictConstrainToURLs`	`boolean`	`false`	为 `true` 时，Agent 只会访问提供的这些 URL。
`model`	`string`	`"spark-1-mini"`	要使用的 AI 模型。`"spark-1-mini"` (默认，成本降低 60%) 或 `"spark-1-pro"` (更高准确率) 。

from firecrawl import Firecrawl

firecrawl = Firecrawl(api_key='fc-YOUR-API-KEY')

# 启动 Agent 任务
started = firecrawl.start_agent(
    prompt="Extract the title and description",
    urls=["https://docs.firecrawl.dev"],
    schema={"type": "object", "properties": {"title": {"type": "string"}, "description": {"type": "string"}}, "required": ["title"]}
)

# 轮询状态
status = firecrawl.get_agent_status(started["id"])
print(status.get("status"), status.get("data"))

检查 agent 状态

轮询 GET /v2/agent/{jobId} 以检查进度。响应中的 status 字段将为 "processing"、"completed" 或 "failed"。

cURL

curl -X GET https://api.firecrawl.dev/v2/agent/YOUR-JOB-ID \
  -H 'Authorization: Bearer fc-YOUR-API-KEY'

Python 和 Node SDK 还提供了一个便捷方法（firecrawl.agent()），用于启动任务并自动轮询，直到任务完成。

抓取多个页面

要抓取多个页面，请使用 /v2/crawl 端点。该抓取任务以异步方式运行，并返回一个任务 ID。

cURL

curl -X POST https://api.firecrawl.dev/v2/crawl \
    -H 'Content-Type: application/json' \
    -H 'Authorization: Bearer fc-YOUR-API-KEY' \
    -d '{
      "url": "https://docs.firecrawl.dev"
    }'

返回结果

{ "id": "1234-5678-9101" }

检查抓取任务

使用任务 ID 查看抓取任务的状态并获取其结果。

cURL

curl -X GET https://api.firecrawl.dev/v2/crawl/1234-5678-9101 \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer fc-YOUR-API-KEY'

如果内容大小超过 10MB，或者抓取任务仍在运行，响应中可能会包含一个 next 参数，即用于获取下一页结果的 URL。

爬取提示与参数预览

你可以提供自然语言的 prompt，让 Firecrawl 自动推导爬取设置。请先预览结果：

cURL

curl -X POST https://api.firecrawl.dev/v2/crawl/params-preview \
  -H 'Content-Type: application/json' \
  -H 'Authorization: Bearer fc-YOUR-API-KEY' \
  -d '{
    "url": "https://docs.firecrawl.dev",
    "prompt": "提取文档与博客"
  }'

爬虫选项

当使用 /v2/crawl 端点时，你可以使用以下选项自定义爬取行为。

路径过滤

参数	类型	默认值	说明
`includePaths`	`array`	—	要包含的 URL 的正则表达式模式（默认仅匹配路径名）。
`excludePaths`	`array`	—	要排除的 URL 的正则表达式模式（默认仅匹配路径名）。
`regexOnFullURL`	`boolean`	`false`	在完整 URL 上进行模式匹配，而不仅仅是路径名。

起始 URL 也会与 includePaths 进行匹配。如果它不匹配任何模式，爬取结果可能会返回 0 个页面。

爬取范围

参数	类型	默认值	描述
`maxDiscoveryDepth`	`integer`	—	用于发现新 URL 的最大链接深度。
`limit`	`integer`	`10000`	最大爬取页面数。
`crawlEntireDomain`	`boolean`	`false`	通过遍历同级和父级页面来覆盖整个域名。
`allowExternalLinks`	`boolean`	`false`	跟踪指向外部域名的链接。
`allowSubdomains`	`boolean`	`false`	跟踪主域名下的子域名。
`delay`	`number` (s)	—	两次爬取之间的延迟时间（秒）。

Sitemap 和去重

Parameter	Type	Default	Description
`sitemap`	`string`	`"include"`	`"include"`：使用 sitemap + 链接发现。`"skip"`：忽略 sitemap。`"only"`：仅抓取 sitemap 中的 URL。
`deduplicateSimilarURLs`	`boolean`	`true`	将 URL 变体（`www.`、`https`、结尾斜杠、`index.html`）视为同一 URL 进行规范化去重。
`ignoreQueryParameters`	`boolean`	`false`	在去重前移除查询字符串（例如将 `/page?a=1` 和 `/page?a=2` 视为同一个 URL）。

爬取任务的抓取选项

参数	类型	默认值	描述
`scrapeOptions`	`object`	`{ formats: ["markdown"] }`	每个页面的抓取配置。支持上述所有抓取选项。

抓取示例

cURL

curl -X POST https://api.firecrawl.dev/v2/crawl \
    -H 'Content-Type: application/json' \
    -H 'Authorization: Bearer fc-你的-API-KEY' \
    -d '{
      "url": "https://docs.firecrawl.dev",
      "includePaths": ["^/blog/.*$", "^/docs/.*$"],
      "excludePaths": ["^/admin/.*$", "^/private/.*$"],
      "maxDiscoveryDepth": 2,
      "limit": 1000
    }'

网站链接映射

/v2/map 端点用于识别与给定网站相关的 URL。

cURL

curl -X POST https://api.firecrawl.dev/v2/map \
    -H 'Content-Type: application/json' \
    -H 'Authorization: Bearer fc-YOUR-API-KEY' \
    -d '{
      "url": "https://docs.firecrawl.dev"
    }'

Map 参数选项

参数	类型	默认值	说明
`search`	`string`	—	通过文本匹配来过滤链接。
`limit`	`integer`	`100`	返回的最大链接数量。
`sitemap`	`string`	`"include"`	`"include"`、`"skip"` 或 `"only"`。
`includeSubdomains`	`boolean`	`true`	是否包含该网站的子域名。

Firecrawl 白名单设置

允许 Firecrawl 抓取你的网站

User Agent（用户代理）：请在防火墙或安全规则中允许 FirecrawlAgent。
IP addresses（IP 地址）：Firecrawl 不使用固定的对外 IP 地址集合。

允许你的应用调用 Firecrawl API

如果你的防火墙阻止应用向外部服务发出出站请求，你需要将 Firecrawl 的 API 服务器 IP 地址加入白名单，这样你的应用才能访问 Firecrawl API（api.firecrawl.dev）：

IP Address: 35.245.250.27

将此 IP 添加到防火墙的出站允许列表中，这样你的后端就可以向 Firecrawl 发送抓取（scrape）、爬取（crawl）、映射（map）以及智能体（agent）请求。

快速上手

新功能

核心功能

开发者指南

Webhook 回调

使用场景

参与贡献

高级抓取指南

基础抓取

抓取 PDF

抓取选项

formats (`formats`)

内容过滤

时间与缓存

PDF 解析

actions

actions 执行说明

高级操作示例

完整抓取示例

通过 formats 进行 JSON 提取

Agent endpoint

Agent 选项

检查 agent 状态

抓取多个页面

返回结果

检查抓取任务

爬取提示与参数预览

爬虫选项

路径过滤

爬取范围

Sitemap 和去重

爬取任务的抓取选项

抓取示例

网站链接映射

Map 参数选项

Firecrawl 白名单设置

允许 Firecrawl 抓取你的网站

允许你的应用调用 Firecrawl API

快速上手

新功能

核心功能

开发者指南

Webhook 回调

使用场景

参与贡献

​基础抓取

​抓取 PDF

​抓取选项

​formats (formats)

​内容过滤

​时间与缓存

​PDF 解析

​actions

​actions 执行说明

​高级操作示例

​完整抓取示例

​通过 formats 进行 JSON 提取

​Agent endpoint

​Agent 选项

​检查 agent 状态

​抓取多个页面

​返回结果

​检查抓取任务

​爬取提示与参数预览

​爬虫选项

​路径过滤

​爬取范围

​Sitemap 和去重

​爬取任务的抓取选项

​抓取示例

​网站链接映射

​Map 参数选项

​Firecrawl 白名单设置

​允许 Firecrawl 抓取你的网站

​允许你的应用调用 Firecrawl API

基础抓取

抓取 PDF

抓取选项

formats (`formats`)

内容过滤

时间与缓存

PDF 解析

actions

actions 执行说明

高级操作示例

完整抓取示例

通过 formats 进行 JSON 提取

Agent endpoint

Agent 选项

检查 agent 状态

抓取多个页面

返回结果

检查抓取任务

爬取提示与参数预览

爬虫选项

路径过滤

爬取范围

Sitemap 和去重

爬取任务的抓取选项

抓取示例

网站链接映射

Map 参数选项

Firecrawl 白名单设置

允许 Firecrawl 抓取你的网站

允许你的应用调用 Firecrawl API