Apache Hop解析XML失败求助：文档序言不允许包含内容错误

问题场景 #

• 操作流程：
  • 下载XML文件到本地路径C:\tmp\testx\cd_catalog.xml
  • 使用Apache Hop的Get data from XML组件读取该文件
• 报错详情：

  org.apache.hop.core.exception.HopException
  根源错误：org.dom4j.DocumentException: Error on line 1 of document : Content is not allowed in prolog

已测试带BOM和不带BOM的XML文件，问题未解决。

排查与修复方案 #

1. 检查XML文件开头的隐藏字符 #

这个错误大多是文件开头存在非XML规范的字符（空格、换行、不可见编码字符）导致的：

• 用纯文本编辑器（如Notepad++）打开文件，开启「显示所有字符」模式（Notepad++：视图→显示符号→显示所有字符）。
• 确认文件第一行开头是<?xml或根节点<CATALOG>，如果有前置空格、换行或其他字符，直接删除后保存。

2. 修正Apache Hop组件配置 #

• 核对Get data from XML组件的「文件名」路径，避免包含空格、非ASCII字符，可临时将文件移到更简单的路径（如C:\tmp\cd_catalog.xml）测试。
• 手动指定组件的XML编码为UTF-8，不要依赖自动检测功能，确保和文件实际编码匹配。

3. 重新下载XML文件 #

浏览器下载可能自动添加额外内容，改用命令行工具直接下载避免干扰：

curl -o C:\tmp\cd_catalog.xml https://www.w3schools.com/xml/cd_catalog.xml

下载后直接用该文件测试，不要手动打开编辑后保存。

4. 独立验证Dom4j解析 #

若以上方法无效，编写简单Java代码用Dom4j直接解析文件，排查是文件问题还是Hop组件问题：

import org.dom4j.Document;
import org.dom4j.io.SAXReader;
import java.io.File;

public class XMLParseTest {
    public static void main(String[] args) {
        try {
            SAXReader reader = new SAXReader();
            Document doc = reader.read(new File("C:\\tmp\\testx\\cd_catalog.xml"));
            System.out.println("解析成功：根节点为" + doc.getRootElement().getName());
        } catch (Exception e) {
            e.printStackTrace();
        }
    }
}

• 若代码报错：确认文件本身存在问题，重新下载或修复文件编码。
• 若代码正常解析：检查Hop组件的变量替换、XML路径引用等隐藏配置。

内容的提问来源于stack exchange，提问作者Roman Belinsky