mcp-archiveorg

mcp-archiveorg

An MCP server for the Internet Archive. Search the text inside digitised books, browse the catalogue, and read Wayback Machine captures. No API key, no account, no configuration.

(Version française plus bas / French version below)

Quickstart

One-click install

Claude Code

claude mcp add archiveorg -- npx -y mcp-archiveorg

Claude Desktop, Cursor, and any client using the standard config format

{
  "mcpServers": {
    "archiveorg": {
      "command": "npx",
      "args": ["-y", "mcp-archiveorg"]
    }
  }
}

Bundle, without npm

Download mcp-archiveorg-<version>.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.

Tools

Tool	What it does	Key parameters
search_inside	Finds a phrase in the text of scanned pages.	query, limit, page
search_items	Searches the catalogue: films, books, audio, software.	query, media_type, sort
get_item	Reads one record, section by section.	identifier, sections, file_format
get_snapshot	The Wayback capture closest to a date.	url, at
list_snapshots	Captures of a page, oldest first.	url, limit, cursor
search_books	A work on Open Library, by name or by criteria.	query, subject, place, time, person, sort

The server is read-only. It uploads nothing and writes nothing back.

Finding a book you cannot name

search_books takes a title or an author. It equally takes the shape of a book in place of its name: what it is catalogued under, where it is set, the period it treats, who it is about, how long it runs, when it first appeared. The criteria combine, and sort by rating or by readers answers which of the matches is worth reading.

Asking for works on grief, in English, under 250 pages, first published between 2000 and 2020, ordered by how many readers recorded them, returns A Monster Calls and The Tiger Rising rather than a list of books with "grief" in the title. The page count comes back on every row, because filtering on a number the answer never shows would be a promise it cannot keep.

Searching inside the books is the point

A catalogue search reads titles and descriptions. search_inside reads what optical character recognition took off millions of scanned pages, so it answers a question nothing else here can: which book contains this phrase. A match comes back with the item, the passage around the phrase, and a link.

Three things it will not pretend to know

There is no page number. The index reports where the search text sits inside the item, which is 1 on nearly every match. It is not a leaf of the book. Nothing here publishes a page, and no link claims one: a citation naming a page the index does not know is worse than a citation naming none.

total counts documents, and it pages. It is not a number of occurrences. The last page of a match set is shorter than the first and the one after it is empty, so read past page 1 rather than treating the first answer as the whole of it.

A title can describe the container. An item can bundle several documents, and a match inside one of them carries the item's title, creator and year. inside_container says when that happened, and matched_file names what actually holds the passage.

Other things worth knowing

A capture is rarely on the date you asked for. get_snapshot always reports days_from_requested, counted as whole days from the moment asked about, so a capture taken later on the day you named is 0. The closest capture of a quiet site can be years away. A page asked for in March 1994 can answer with December 1996. A date that came back with nothing is set aside and the address is looked up on its own, which is said in a note: an address with no capture near a date is a different thing from an address the Wayback Machine never captured.

An ampersand written against a word travels as a space. The catalogue's query parser refuses AT&T outright, and its index folds punctuation before it matches, so search_items sends the term as the phrase "AT T" and says so in a note. The rows are the ones printing the ampersand.

One site sits in the index under several addresses. Its www form, its https form and a form carrying credentials are separate addresses with separate histories, and a lookup for one answers with a capture of another. Every capture carries the address it is of. list_snapshots says when its rows cover more than one, because counting them then counts captures of all of them together.

The capture index is slow, and it has no offset. Tens of seconds on a busy address, and it ignores an offset entirely. It pages by a key it hands back: pass next_cursor as cursor, and a null one means the end of the history.

A catalogue search matches descriptions too. A compilation whose notes mention a name ranks alongside that person's own work. Read creator before attributing a result.

A date on a catalogue row is one field, and it is not a chronology. oldest, newest, year_from and year_to all read the date whoever deposited an item typed into the record. An item the Archive holds no date for carries a placeholder at the start of the calendar, a date written as a fragment is filed at the year that fragment reads as, and the field carries no era, so a clay tablet made in 1712 BCE answers a range of 1700 to 1750. Every answer ranked or filtered on that field says so, and counts the rows on the page carrying no year this server could read.

Quoting holds the word order, not the spelling. A quoted phrase comes back with its words together and in the order given. The index folds accents, case and punctuation before it matches, so "bûcher" also answers with pages printing Bücher and Bucher. Read an excerpt before repeating a quoted query as the spelling a page carries.

Scanned text is machine-read. Excerpts carry the misreadings that come with it. Quote them as scanned text and follow the link.

Nothing states what may be reused. Many items carry no licence at all, and the Archive holds material under every possible term. get_item says so rather than letting silence read as permission.

Configuration

Every variable is optional. Set them in the env block of your MCP client.

Variable	Default	Purpose
IA_USER_AGENT	(project identifier)	Identify your own client. The project's identifier is appended, so the Archive can always reach a human.
IA_MIN_INTERVAL_MS	1000	Minimum gap between requests. Values below 500 ms are refused.
IA_TIMEOUT_MS	20000	Per-request deadline.
IA_HISTORY_TIMEOUT_MS	60000	Deadline for the capture index, which is slow by design.
IA_MAX_RETRIES	3	Retries on rate limiting and transient errors.
IA_CACHE_TTL_MS	900000	In-memory cache lifetime. 0 turns it off.
IA_CACHE_MAX_ENTRIES	200	In-memory cache size.
IA_LOG_LEVEL	error	silent, error, info or debug. Logs go to stderr.

How this server treats the Archive

The Internet Archive is a non-profit that charges nobody and turns nobody away. This server paces itself to one request at a time with a gap that configuration can widen but never narrow past half a second, widens it further when the site pushes back, caches what it reads, and identifies itself with an address a human can be reached at. A caller may say who they are; that address is appended rather than replaced.

archive.org/robots.txt disallows only /control/ and /report/, neither of which is touched here. No route used requires a key, and none of them is documented: they are the routes the Archive's own pages call, which is why the nightly canary matters more here than it would against a published API.

Troubleshooting

rate_limited. The Archive asked this client to slow down. It never means the thing you asked for is missing.

invalid_input on a search. The query was refused rather than answered. An unbalanced quotation mark, bracket or colon is read as an operator.

invalid_input on an identifier or an address. get_item takes the last part of an item's address, such as nasa, and matches it exactly, capitals included; the capture tools take a web address. A value that is neither is refused, because looking it up would come back as an absence.

parse_failure. A response arrived in a shape this server cannot read, which usually means a route changed. Please open an issue with the arguments you used.

Development

npm install
npm test                 # unit tests, no network
npm run typecheck
npm run build
IA_LIVE=1 npm run test:live   # one request per route against the real site
npm run inspector        # explore the tools in the MCP Inspector

Fixtures are generated rather than captured: npm run build:fixtures writes a corpus of invented titles and passages, so tests are deterministic and no Archive content lives in this repository.

The access layer under src/ia does not import the MCP SDK and is published separately as mcp-archiveorg/client, usable as a plain library.

Contributing

Bugs, questions and ideas all belong in the issue tracker. Pull requests are welcome; please open an issue first so we can agree on what the right answer is before you write it. CONTRIBUTING.md has the detail, and SECURITY.md covers anything exploitable.

Support

Free, and it stays free. If it saved you some time, you can buy me a coffee.

License

MIT. See LICENSE. The licence covers this source code only, not the material retrieved through it, which carries whatever terms its depositor attached, and often none at all.

This is an unofficial project, with no affiliation to or endorsement by the Internet Archive.

mcp-archiveorg (français)

Un serveur MCP pour l'Internet Archive. Cherchez une phrase dans le texte des livres numérisés, parcourez le catalogue, et lisez les captures de la Wayback Machine. Sans clé d'API, sans compte, sans configuration.

Démarrage rapide

Installation en un clic

Claude Code

claude mcp add archiveorg -- npx -y mcp-archiveorg

Claude Desktop, Cursor, et tout client utilisant le format standard

{
  "mcpServers": {
    "archiveorg": {
      "command": "npx",
      "args": ["-y", "mcp-archiveorg"]
    }
  }
}

Bundle, sans npm

Téléchargez mcp-archiveorg-<version>.mcpb depuis la dernière release et ouvrez-le. Un client compatible l'installe seul, sans npm ni fichier de configuration à modifier.

Outils

Outil	Rôle	Paramètres principaux
search_inside	Trouve une phrase dans le texte des pages numérisées.	query, limit, page
search_items	Cherche le catalogue : films, livres, audio, logiciels.	query, media_type, sort
get_item	Lit une fiche, section par section.	identifier, sections, file_format
get_snapshot	La capture Wayback la plus proche d'une date.	url, at
list_snapshots	Les captures d'une page, de la plus ancienne.	url, limit, cursor
search_books	Une œuvre sur Open Library, par nom ou par critères.	query, subject, place, time, person, sort

Le serveur est en lecture seule. Il ne téléverse rien et n'écrit rien.

Trouver un livre dont on ignore le titre

search_books accepte un titre ou un auteur. Il accepte tout autant la forme d'un livre à la place de son nom : son sujet, le lieu où il se déroule, l'époque qu'il traite, la personne dont il parle, sa longueur, sa date de première parution. Les critères se combinent, et sort par note ou par nombre de lecteurs répond à la question de savoir lequel mérite d'être lu.

Demander des œuvres sur le deuil, en anglais, sous 250 pages, parues entre 2000 et 2020, classées par nombre de lecteurs, renvoie A Monster Calls et The Tiger Rising plutôt qu'une liste de livres portant « deuil » dans leur titre. Le nombre de pages figure sur chaque ligne, car filtrer sur un nombre que la réponse n'affiche jamais serait une promesse intenable.

Chercher à l'intérieur des livres est le cœur du sujet

Une recherche de catalogue lit les titres et les descriptions. search_inside lit ce que la reconnaissance de caractères a tiré de millions de pages numérisées, et répond donc à une question qu'aucun autre outil ici ne sait traiter : quel livre contient cette phrase.

Trois choses qu'il refuse de prétendre savoir

Il n'y a pas de numéro de page. L'index indique où se situe le texte cherchable dans l'élément, ce qui vaut 1 sur presque toutes les correspondances. Ce n'est pas un feuillet du livre. Rien ici ne publie de page, et aucun lien n'en revendique : une citation qui nomme une page que l'index ignore est pire qu'une citation qui n'en nomme aucune.

total compte des documents, et il se pagine. Ce n'est pas un nombre d'occurrences. Lisez au-delà de la page 1 plutôt que de prendre la première réponse pour la totalité.

Un titre peut décrire le contenant. Un élément peut regrouper plusieurs documents. inside_container le signale, et matched_file nomme celui qui porte réellement le passage.

Autres points utiles

Une capture tombe rarement sur la date demandée. get_snapshot annonce toujours days_from_requested, compté en jours entiers depuis l'instant demandé : une capture prise plus tard dans la journée nommée vaut 0. La capture la plus proche d'un site peu visité peut être à des années. Une date qui ne ramène rien est écartée et l'adresse est interrogée seule, ce qu'une note signale : une adresse sans capture près d'une date n'est pas une adresse jamais capturée.

Une esperluette collée à un mot voyage comme une espace. L'analyseur de requêtes du catalogue refuse AT&T tel quel, et son index replie la ponctuation avant de comparer : search_items envoie donc le terme sous la forme de l'expression "AT T" et le signale dans une note. Les lignes trouvées sont bien celles qui écrivent l'esperluette.

Un même site occupe plusieurs adresses dans l'index. Sa forme www, sa forme https et une forme portant des identifiants sont des adresses distinctes aux histoires distinctes, et une recherche sur l'une répond par une capture d'une autre. Chaque capture porte l'address qu'elle représente, et list_snapshots signale quand ses lignes en couvrent plusieurs : les compter revient alors à compter les captures de toutes à la fois.

L'index des captures est lent, et n'a pas d'offset. Il l'ignore complètement. Il se parcourt avec la clé qu'il renvoie : repassez next_cursor en cursor, et une valeur nulle marque la fin de l'histoire.

La recherche catalogue lit aussi les descriptions. Une compilation citant un nom se classe à côté des disques de cette personne. Vérifiez creator avant d'attribuer un résultat.

La date d'une ligne de catalogue est un champ, et ce champ n'est pas une chronologie. oldest, newest, year_from et year_to lisent tous la date saisie par le déposant. Un élément dont l'Archive ne détient aucune date porte une valeur de remplissage au tout début du calendrier, une date écrite en fragment est classée à l'année que ce fragment donne à lire, et le champ ne porte pas d'ère : une tablette d'argile de 1712 av. J.-C. répond donc à un intervalle 1700-1750. Toute réponse triée ou filtrée sur ce champ le dit, et compte les lignes de la page dont l'année est illisible pour ce serveur.

Les guillemets tiennent l'ordre des mots, pas leur graphie. Une phrase entre guillemets revient avec ses mots groupés et dans l'ordre donné. L'index replie les accents, la casse et la ponctuation avant de comparer : "bûcher" répond donc aussi avec des pages portant Bücher et Bucher. Lisez un extrait avant de reprendre une requête entre guillemets comme la graphie qu'une page porte.

Le texte numérisé est lu par une machine. Les extraits en portent les fautes. Citez-les comme tels et suivez le lien.

Rien n'indique ce qui est réutilisable. Beaucoup d'éléments ne portent aucune licence. get_item le dit, plutôt que de laisser le silence passer pour une permission.

Configuration

Toutes les variables sont optionnelles, à déclarer dans le bloc env de votre client.

Variable	Défaut	Rôle
IA_USER_AGENT	(identifiant du projet)	Identifiez votre client. L'identifiant du projet est ajouté, pour que l'Archive puisse toujours joindre une personne.
IA_MIN_INTERVAL_MS	1000	Écart minimal entre requêtes. En dessous de 500 ms, la valeur est refusée.
IA_TIMEOUT_MS	20000	Délai par requête.
IA_HISTORY_TIMEOUT_MS	60000	Délai pour l'index des captures, lent par nature.
IA_MAX_RETRIES	3	Tentatives en cas de limitation ou d'erreur passagère.
IA_CACHE_TTL_MS	900000	Durée de vie du cache mémoire. 0 le désactive.
IA_CACHE_MAX_ENTRIES	200	Taille du cache mémoire.
IA_LOG_LEVEL	error	silent, error, info ou debug. Sortie sur stderr.

Ce que ce serveur doit à l'Archive

L'Internet Archive est une association qui ne facture rien et ne refuse personne. Ce serveur se limite à une requête à la fois, avec un écart que la configuration peut élargir mais jamais réduire sous la demi-seconde, l'élargit encore quand le site demande de l'air, met en cache ce qu'il lit, et s'identifie avec une adresse où joindre une personne. Un appelant peut dire qui il est ; cette adresse est ajoutée, pas remplacée.

Le robots.txt d'archive.org n'interdit que /control/ et /report/, dont aucun n'est touché ici. Aucune route utilisée n'exige de clé, et aucune n'est documentée : ce sont celles qu'appellent les pages du site, ce qui rend le canari nocturne plus important ici que face à une API publiée.

Dépannage

rate_limited. L'Archive demande à ce client de ralentir. Cela ne signifie jamais que ce que vous cherchez est absent.

invalid_input sur une recherche. La requête a été refusée, pas répondue. Un guillemet, un crochet ou un deux-points non équilibré est lu comme un opérateur.

invalid_input sur un identifiant ou une adresse. get_item prend la dernière partie de l'adresse d'un document, par exemple nasa, et la compare exactement, majuscules comprises ; les outils de capture prennent une adresse web. Une valeur qui n'est ni l'un ni l'autre est refusée : l'interroger reviendrait à annoncer une absence.

parse_failure. Une réponse est arrivée dans une forme illisible pour ce serveur, ce qui signale en général qu'une route a changé. Merci d'ouvrir une issue.

Développement

npm install
npm test                 # tests unitaires, sans réseau
npm run typecheck
npm run build
IA_LIVE=1 npm run test:live   # une requête par route sur le vrai site
npm run inspector        # explorer les outils dans le MCP Inspector

Les fixtures sont générées, pas capturées : npm run build:fixtures écrit un corpus de titres et de passages inventés, ce qui rend les tests déterministes et évite de stocker du contenu de l'Archive dans ce dépôt.

La couche d'accès sous src/ia n'importe pas le SDK MCP et est publiée séparément sous mcp-archiveorg/client, utilisable comme bibliothèque.

Contribuer

Bugs, questions et idées vont dans le suivi d'issues. Les pull requests sont bienvenues ; ouvrez d'abord une issue pour qu'on s'accorde sur la bonne réponse avant que vous n'écriviez le code.

Soutenir

Gratuit, et ça le reste. Si ça vous a fait gagner du temps, vous pouvez m'offrir un café.

Licence

MIT, voir LICENSE. La licence couvre uniquement ce code source, pas les documents récupérés par son intermédiaire, qui portent les conditions que leur déposant y a attachées, et souvent aucune.

Projet non officiel, sans affiliation à l'Internet Archive ni approbation de sa part.