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：
<?xml version="1.0" encoding="UTF-8"?>
<orders>
<order id="1001">
<customer>Alice</customer>
<amount>299.99</amount>
<items>
<item sku="A001"><name>Laptop</name></item>
<item sku="B002"><name>Mouse</name></item>
</items>
</order>
</orders>
注意：Kettle 默认按“重复节点”提取数据。上例中，<order> 是重复节点，应设为循环路径；<item> 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<order> -
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
- Field name：如
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 <item> 拆成独立行，推荐组合方案：
- 先用 “Get data from XML” 提取
<order>级数据（含<items>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
