mcp-archiveorg
[npm]
[CI]
[license]
[MCP Registry]
[Glama]
[M8ven]
[LobeHub]
[Install in Cursor]
[Install in VS Code]
The Internet Archive is a non-profit library that keeps
what the world publishes: scanned books, films, recorded music, radio, software,
and the pages of the web itself, captured over and over since 1996 in the Wayback
Machine. Millions of its books and documents have been run through optical
character recognition, so the words inside them can be searched, and the Open
Library index beside it describes works, their editions and their subjects.
This server connects a chat client to that library. You can search the full text
inside its documents, search its catalogue of items, read one item's record and
its files, look up a book by subject, place, period or person, and read the web
as it stood on a given day. It needs no API key and no account.
Version française
Install
One-click install
[Install in Cursor]
[Install in VS Code]
Claude Code
Claude Desktop, Cursor, and any client using the standard config format
Node 24 or later is required, and no environment variable has to be set.
With Docker
-i keeps stdin open, which is where the protocol travels, and -t is left out
because a TTY rewrites the stream. The container needs outbound HTTPS to
archive.org, web.archive.org and openlibrary.org, and nothing else: no
volume, no port, no credential.
Bundle, without npm
Download mcp-archiveorg-2.1.0.mcpb from
the latest release
and open it. A client that supports MCP bundles installs it on its own, with no
npm and no configuration file to edit. The bundle carries its dependencies, so
nothing is fetched at install time.
What you can ask
- "Which books mention the Beaumont light-house?"
- "Find me items about the 1906 San Francisco earthquake."
- "What files does that item hold, and what licence is it under?"
- "Find me books on beekeeping in France published before 1900."
- "What did that website look like in March 2001?"
The ordinary path runs from a search to a record: a row carries an identifier,
and get_item reads it.
Tools
search_inside
Searches the text inside the archive's documents, which came off the page through
optical character recognition, so a passage carries the misreadings of that
process.
In return: hits, each carrying identifier, which get_item takes;
title, creator and year; excerpts, the passages as a machine read them
off the page; matched_file, naming what actually holds the passage; and
source_url. inside_container is true when the item bundles several documents
and the passage sits in one of them, in which case the title, the creator and the
year belong to the container.
total counts documents, and it pages. It is a number of documents and the last page of a match set is shorter than the
first. No page number is available: the index reports where the text sits
inside the item, which is 1 on nearly every match, so nothing here states a
page of a book and no link claims one.
search_items
Searches the catalogue itself, across every kind of thing the archive holds.
In return: items, each carrying identifier, title, creator, year,
media_type, downloads and source_url, a field the record leaves empty being
null. total counts the items matching across the catalogue, which is more
than the number returned.
get_item
Reads one item's record. The heavier parts are asked for rather than served by
default, since a record can run long.
In return: the item with its title, creator, year, media_type and
source_url, plus description, date, publisher, language, collections
and license_url, each null where the record states nothing. file_count
counts the files the item holds whatever this answer returned, and total_bytes
their weight. files and full_metadata are present only when asked for in
sections.
search_books
Finds books through the index of works beside the archive, which describes a work
and its editions rather than one scanned copy.
In return: books, each carrying title, authors, first_published_year,
edition_count, archive_identifiers for the scanned copies the archive holds,
scan_count, page_count as a median across editions, subjects and
source_url. searched_for says in words what this answer answers, free text
and every criterion applied, and query is null when the search was made of
criteria alone. total counts the works matching.
list_snapshots
Lists the captures the Wayback Machine holds for one address.
In return: snapshots, each with its captured_at as an ISO timestamp in
UTC, the url of the capture itself, and the status the crawl recorded.
first and last describe this answer rather than the whole history, and
next_cursor continues the listing.
get_snapshot
Reads one capture of an address, at a date or near it.
In return: the snapshot with its captured_at and its address, beside the
requested_url and requested_at, so the distance between the date asked for
and the capture served is visible. The Wayback Machine answers a date it has no
capture for with the nearest one it holds.
What excerpts are worth
The text inside a scanned document came off the page through optical character
recognition. A passage therefore carries the misreadings of that process, and it
is served as it was read rather than corrected: a word that reads oddly is what
the machine saw. Quote a passage as an excerpt of a scan, and link the item so a
reader can look at the page.
Configuration
Every variable is optional. Set them in the env block of your client config.
A value outside its range falls back to the default, and the reason is written to
stderr.
Errors
Every failure carries one of six codes, a message, and where it helps a hint
naming the next move.
As a library
The layer reading the archive is published on its own, with its pacing, its cache
and its errors, and with no protocol attached.
Each read answers { data, cached }, and throws an error carrying one of the six
codes. The floor between two requests holds here as well.
Pacing and attribution
Requests go out one at a time with at least a second between them, and the floor
of half a second holds however the server is configured. The User-Agent always
ends with the project identity and an address where a person can be reached. The
Internet Archive is a non-profit library, and a search inside its documents is
one of the more expensive questions it answers.
Every result carries the address of the page it was read from. The items belong
to the people and institutions who deposited them, under the terms each record
states in license_url.
This MCP server is an unofficial project, with no affiliation to the Internet
Archive.
Privacy
This server collects nothing about you and sends nothing to its author. It runs
on your machine, contacts archive.org, web.archive.org and openlibrary.org and nothing else, holds its answers in memory
while it runs, and writes nothing to disk.
PRIVACY.md states what a request carries and which settings change
any of it.
Development
Tests run against generated fixtures and make no network request. The live suite,
npm run test:live, makes one request per route and runs nightly against the
archive itself.
Contributing
Bugs, questions and ideas belong in
the issue tracker. Pull
requests are welcome; opening an issue first helps agree on the shape of the
change. See CONTRIBUTING.md.
License
MIT, see LICENSE. The items belong to their depositors, under the
terms each record states.
mcp-archiveorg (français)
English version
L'Internet Archive est une bibliothèque à but non lucratif
qui conserve ce que le monde publie : livres numérisés, films, musique
enregistrée, radio, logiciels, et les pages du web elles-mêmes, capturées encore
et encore depuis 1996 dans la Wayback Machine. Des millions de ses livres et
documents sont passés par la reconnaissance optique de caractères, si bien que
les mots qu'ils contiennent sont cherchables, et l'index Open Library qui la
côtoie décrit les œuvres, leurs éditions et leurs sujets.
Ce serveur relie un client de conversation à cette bibliothèque. On peut y
chercher dans le texte intégral de ses documents, chercher dans son catalogue,
lire la fiche d'un document et ses fichiers, trouver un livre par sujet, lieu,
période ou personne, et lire le web tel qu'il était un jour donné. Aucune clé
d'API, aucun compte.
Installation
Installation en un clic
[Install in Cursor]
[Install in VS Code]
Claude Code
Claude Desktop, Cursor, et tout client au format de configuration standard
Node 24 ou plus récent est nécessaire, et aucune variable d'environnement n'est à
renseigner.
Avec Docker
-i garde l'entrée standard ouverte, qui est le canal du protocole, et -t est
omis parce qu'un TTY réécrit le flux. Le conteneur a besoin d'un accès HTTPS
sortant vers archive.org, web.archive.org et openlibrary.org, et de rien
d'autre : aucun volume, aucun port, aucun identifiant.
Bundle, sans npm
Téléchargez mcp-archiveorg-2.1.0.mcpb depuis
la dernière publication
et ouvrez-le. Un client qui gère les bundles MCP l'installe seul, sans npm et
sans fichier de configuration à modifier. Le bundle emporte ses dépendances, donc
rien n'est téléchargé à l'installation.
Ce qu'on peut demander
- « Quels livres mentionnent le phare de Beaumont ? »
- « Trouve-moi des documents sur le tremblement de terre de San Francisco en 1906. »
- « Quels fichiers contient ce document, et sous quelle licence ? »
- « Trouve-moi des livres sur l'apiculture en France publiés avant 1900. »
- « À quoi ressemblait ce site en mars 2001 ? »
Le chemin ordinaire va d'une recherche à une fiche : une ligne porte un
identifier, et get_item le lit.
Les outils
search_inside
Cherche dans le texte contenu dans les documents, texte issu de la reconnaissance
optique de caractères, donc un passage porte les erreurs de lecture de ce
procédé.
En retour : hits, chacun portant identifier, que get_item reprend ;
title, creator et year ; excerpts, les passages tels qu'une machine les a
lus sur la page ; matched_file, qui nomme ce qui contient réellement le
passage ; et source_url. inside_container est vrai quand le document en
rassemble plusieurs et que le passage se trouve dans l'un d'eux, auquel cas le
titre, l'auteur et l'année appartiennent au contenant.
total compte des documents, et il pagine. C'est un nombre de documents et la dernière page d'un ensemble est plus courte
que la première. Aucun numéro de page n'est disponible : l'index indique où
le texte se trouve dans le document, ce qui vaut 1 sur presque toutes les
correspondances, donc rien ici n'énonce une page de livre et aucun lien n'en
revendique.
search_items
Cherche dans le catalogue lui-même, à travers tout ce que l'archive conserve.
En retour : items, chacun portant identifier, title, creator, year,
media_type, downloads et source_url, un champ que la fiche laisse vide
valant null. total compte les documents correspondants dans tout le
catalogue, ce qui dépasse le nombre rendu.
get_item
Lit la fiche d'un document. Les parties lourdes se demandent au lieu d'être
servies par défaut, une fiche pouvant être longue.
En retour : le document avec son title, creator, year, media_type et
source_url, plus description, date, publisher, language, collections
et license_url, chacun null là où la fiche n'indique rien. file_count
compte les fichiers que le document contient quel que soit ce que cette réponse a
rendu, et total_bytes leur poids. files et full_metadata ne sont là que
lorsqu'ils sont demandés dans sections.
search_books
Trouve des livres via l'index d'œuvres qui côtoie l'archive, lequel décrit une
œuvre et ses éditions plutôt qu'un exemplaire numérisé.
En retour : books, chacun portant title, authors,
first_published_year, edition_count, archive_identifiers pour les
exemplaires numérisés que l'archive détient, scan_count, page_count comme
médiane sur les éditions, subjects et source_url. searched_for dit en mots
ce à quoi cette réponse répond, texte libre et chaque critère appliqué, et
query vaut null quand la recherche était faite de critères seuls. total
compte les œuvres correspondantes.
list_snapshots
Liste les captures que la Wayback Machine garde d'une adresse.
En retour : snapshots, chacune avec son captured_at en horodatage ISO
UTC, l'url de la capture elle-même, et le status que la collecte a enregistré.
first et last décrivent cette réponse plutôt que tout l'historique, et
next_cursor poursuit la liste.
get_snapshot
Lit une capture d'une adresse, à une date ou près d'elle.
En retour : la snapshot avec son captured_at et son adresse, à côté de
requested_url et requested_at, si bien que l'écart entre la date demandée et
la capture servie est visible. La Wayback Machine répond à une date dont elle n'a
aucune capture par la plus proche qu'elle détient.
Ce que valent les extraits
Le texte contenu dans un document numérisé est issu de la reconnaissance optique
de caractères. Un passage porte donc les erreurs de lecture de ce procédé, et il
est servi tel qu'il a été lu plutôt que corrigé : un mot qui se lit bizarrement
est ce que la machine a vu. Citez un passage comme l'extrait d'une numérisation,
et liez le document pour qu'un lecteur puisse regarder la page.
Configuration
Chaque variable est facultative. Elles se posent dans le bloc env de la
configuration du client.
Une valeur hors de sa plage retombe sur le défaut, et la raison est écrite sur la
sortie d'erreur.
Erreurs
Chaque échec porte un des six codes, un message, et quand cela aide une
indication du geste suivant.
Comme bibliothèque
La couche qui lit l'archive est publiée seule, avec son rythme, son cache et ses
erreurs, sans protocole attaché.
Chaque lecture répond { data, cached }, et lève une erreur portant un des six
codes. Le plancher entre deux requêtes tient également ici.
Rythme et attribution
Les requêtes partent une à une avec au moins une seconde entre elles, et le
plancher d'une demi-seconde tient quelle que soit la configuration. Le
User-Agent se termine toujours par l'identité du projet et une adresse où
joindre une personne. L'Internet Archive est une bibliothèque à but non lucratif,
et une recherche dans le texte de ses documents est l'une des questions les plus
coûteuses qu'elle traite.
Chaque résultat porte l'adresse de la page d'où il a été lu. Les documents
appartiennent aux personnes et aux institutions qui les ont déposés, sous les
conditions que chaque fiche indique dans license_url.
Ce MCP est un projet non officiel, sans affiliation à l'Internet Archive.
Confidentialité
Ce serveur ne collecte rien sur vous et n'envoie rien à son auteur. Il tourne sur
votre machine, ne joint que archive.org, web.archive.org et openlibrary.org, garde ses réponses en mémoire le temps qu'il
tourne, et n'écrit rien sur le disque. PRIVACY.md dit ce qu'une
requête emporte et quels réglages changent cela.
Développement
Les tests s'exécutent sur des fixtures engendrées et n'émettent aucune requête.
La suite en direct, npm run test:live, émet une requête par route et tourne
chaque nuit contre l'archive elle-même.
Contribuer
Les anomalies, les questions et les idées ont leur place dans
le suivi d'incidents. Les
propositions de modification sont bienvenues ; ouvrir un ticket d'abord aide à
s'accorder sur la forme du changement. Voir CONTRIBUTING.md.
Licence
MIT, voir LICENSE. Les documents appartiennent à ceux qui les ont
déposés, sous les conditions que chaque fiche indique.
