使用kettle把XML文档转换成数据表结构



使用kettle把XML文档转换成数据表结构

 

     在kettle中Get data from xml步骤和 XML Input Stream (StAX)步骤读取并解析xml文件。Get data from xml步骤使用dom方式解析，比较消耗内存，当文件很大时，就不可取。XML Input Stream (StAX)步骤使用完全不同的方式解析大而复杂的文件，且能快速载入数据，所以建议使用该步骤。

     下面通过示例来展示如何使用该步骤，源xml文件内容如下：

<?xml version="1.0"?>

<timeseries>

   <measurementyear="2000">

       <!-- value ofitem named A in 2000 is 8.5 -->

       <itemname="A">8.5</item>

       <itemname="B">9.8</item>

   </measurement>

   <measurementyear="2001">

       <itemname="A">12.2</item>

       <itemname="B">9.4</item>

   </measurement>

   <measurementyear="2002">

       <itemname="A">11.1</item>

       <itemname="B">7.2</item>

   </measurement>

</timeseries>

 

解析成数据表的格式数据如下：

 

使用下面步骤去实现该功能

1. xmlinput stream（stax）：流方式载入xml文档

2. 过滤行：去除掉不相关的文档元素

3. switch/case步骤：分离第一级（measurement）和第二级（item）

4. Rowdenormaliser：把第二级的多行转成一行（行专列）

5. MergeJoin：合并子元素到第一级行(增加列）

示例可以从这里下载

 

Rowdenormaliser步骤

     最容易理解执行情况的方式，通过预览没步骤的执行结果（5.x版本可以直接查看数据流），下图显示该步骤的执行原理。

MergeJoin步骤

     把两个来自不同数据源的流进行合并，其实和SQL中join原理是一样的，只不过在kettle中是针对流数据，不是表数据。非常重要的是：流数据要根据键（join中使用的）排序，本列中第一步载入xml文件时，已经排序，所以不再选哟“sort rows”步骤。