如何从含XSL内容的XML文件提取数据及用Pentaho获取XSL中的日期

问题1：如何从包含XSL内容的XML文件中提取数据？ #

首先得搞清楚你的XML文件里XSL内容是怎么存在的——是内嵌了完整的XSLT样式表，还是通过<?xml-stylesheet?>指令引用了外部XSL，甚至是XML的某些节点里直接存了XSL代码？不同情况处理方式略有不同，这里给你几个实用的思路：

• 用XPath精准定位过滤XSL节点：如果XSL是作为XML里的独立节点（比如<xsl:stylesheet>或者自定义的<xsl-content>块）存在，完全可以用XPath跳过这些XSL节点，直接抓业务数据。举个例子，如果你的XML结构是这样的：

  <root>
    <business-records>
      <order id="1">...</order>
    </business-records>
    <xsl:stylesheet version="1.0">
      <!-- 这里是XSL代码 -->
    </xsl:stylesheet>
  </root>
  

  那直接用/root/business-records//*这样的XPath就能提取所有业务数据，XSL节点会被自动忽略。

• 先清理XSL内容再解析：如果XSL内容和业务数据混在一起，或者你想彻底清理掉XML里的XSL代码，可以用编程语言的XML处理库来操作。比如用Python的lxml库，先遍历XML删除所有XSL命名空间下的节点，再提取数据：

  from lxml import etree
  
  # 加载XML文件
  tree = etree.parse('your-xml-file.xml')
  # 移除所有XSL命名空间的节点
  for xsl_node in tree.xpath('//*[namespace-uri()="http://www.w3.org/1999/XSL/Transform"]'):
      xsl_node.getparent().remove(xsl_node)
  # 现在可以正常提取目标数据了
  target_data = tree.xpath('//your-target-node/text()')
  

• 忽略外部XSL引用：如果XML只是通过<?xml-stylesheet type="text/xsl" href="xxx.xsl"?>引用了外部XSL，这个指令只是给浏览器看的，XML本身的业务数据是完整的，直接按普通XML的方式提取就行，完全不用管这个引用。

问题2：用Pentaho读取XML文件，部分日期数据来源于另一个XSL文件，怎么获取这些日期？ #

这种情况大概率是XML里的日期不是直接写死的，而是需要通过XSL的逻辑生成（比如XSL里定义了日期变量、用模板输出日期，或者XML里是占位符，得XSL转换后才会变成实际日期）。在Pentaho里可以这么处理：

• 先做XSLT转换，再读转换后的XML：
  Pentaho自带XSLT Transformation步骤，专门用来做XML和XSL的转换。你可以先把原始XML和对应的XSL文件作为输入，用这个步骤生成包含实际日期的XML文件，然后再用XML Input步骤去提取日期。操作流程大概是：

  1. 把XSLT Transformation步骤拖到你的转换里，配置好原始XML路径、XSL文件路径，再设置转换后XML的输出路径。
  2. 接着拖XML Input步骤，指向刚才生成的XML文件，用XPath定位到日期节点，就能拿到你要的日期数据了。

• 直接解析XSL文件拿日期：如果日期是硬编码在XSL里的（比如XSL里有<xsl:variable name="order-date" select="'2024-05-20'" />），那你可以直接用XML Input步骤读取XSL文件（毕竟XSL本身也是XML格式），用XPath提取这个变量的值。比如用//xsl:variable[@name='order-date']/@select就能拿到带引号的日期，再处理掉引号就行。

• 用自定义脚本处理动态日期：如果XSL里的日期是动态生成的（比如用XSLT的current-date()函数计算），那你可以在Pentaho里用用户定义的Java类或者Python脚本步骤，调用XSLT处理器执行对应的逻辑，算出日期后再和XML数据合并。

内容的提问来源于stack exchange，提问作者Abhishek