如何用Pentaho Data Integration (Kettle) 读取XML

使用“Get data from XML”步骤读取XML文件最可靠，需规范XML格式、设对重复节点路径（如/orders/order），嵌套项（如items/item）需二级解析，注意编码、XPath及命名空间配置。

用 Pentaho Data Integration（Kettle）读取 XML 文件，核心是使用 “Get data from XML” 步骤，它专为解析结构化 XML 设计，比通用的 “Text file input” 更可靠、更灵活。

准备 XML 文件和了解结构

确保 XML 文件格式规范（有根节点、标签闭合、无非法字符），并提前查看其层级结构。例如：

  
    Alice
    299.99
    
      Laptop
      Mouse
    
  

注意：Kettle 默认按“重复节点”提取数据。上例中， 是重复节点，应设为循环路径； 是嵌套重复节点，需额外处理（见下文）。

配置 “Get data from XML” 步骤

在转换中添加该步骤后，关键设置包括：

• XML source：选择“File”并指定路径（支持变量如 ${FILE_PATH}）
• Repeat node：填写相对 XPath，如 /orders/order —— 这决定每行输出对应一个
• Fields 标签页中定义字段：
  • Field name：如 customer
  • Element XPath：相对于 repeat node 的路径，如 customer（直接子元素）或 ../@id（取父节点属性）
  • Type：选 String / Number / Date 等，匹配实际值类型
  • Format/Length/Precision：按需填写，如金额设为 Number + 2 位小数

处理多层嵌套（如 items/item）

“Get data from XML” 本身不支持跨层级展开多个重复组。若需把每个 拆成独立行，推荐组合方案：

• 先用 “Get data from XML” 提取 级数据（含 内容作为 XML 片段字段）
• 再接一个 “Get data from XML” 步骤，将上一步输出的 items_xml 字段作为 XML source（选 “XML from field”），repeat node 设为 items/item
• 用 “Join Rows (Cartesian product)” 或 “Stream lookup” 关联主订单信息（需提前加唯一键，如 order_id）

常见问题与提示

避免踩坑：

• 中文乱码？在步骤的 “Content” 标签页中，显式设置 Encoding 为 UTF-8（即使文件声明了也建议指定）
• 字段为空？检查 XPath 是否正确，是否用了 text()（如 customer/text()），或启用 “Ignore empty elements”
• 性能慢？大文件建议开启 “Use memory mapping”（在 Content 页），并限制预览行数
• 需要命名空间？在 “Content” 页勾选 “Support namespaces”，并在 XPath 中用前缀（如 ns:customer），同时在 “Namespaces” 表格里定义前缀与 URI 映射