Jmeter-beanshell中的正则表达式（matcher（）/ pattern（））削减了国家字符

Question

我需要从服务器响应数据中删除一些内容。

使用我得到的正则表达式提取器

<span class="snippet_word">Działalność</span> <span class="snippet_word">lecznicza</span>.</a>

从那我只需要：“Działalnośćlecznicza”

所以我用Beanshell编写了一个程序，应该这样做，因为我得到了一个问题

“ lecznicza lecznicza”

这是我的程序：

import java.util.regex;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

String pattern = "\\w+(?=\\<)";
String co = vars.get("tresc");
int len  = Integer.parseInt(vars.get("length"));
String phrase="";
StringBuffer sb = new StringBuffer();

Pattern r = Pattern.compile(pattern);
Matcher m = r.matcher(co);

for(i=0; i < len ;i++){
if (m.find()){
strbuf = new StringBuffer(m.group(0));
} 
else {
phrase="notfound";
}

sb.append(" ");
sb.append(strbuf);
}

phrase = sb.toString();

return phrase;

tresc-是我提取模式词的来源。长度-告诉我我要提取多少个单词。

程序可以很好地处理不带民族字符的短语。这就是为什么我认为编码或此处存在某些问题：

Pattern r = Pattern.compile(pattern);
Matcher m = r.matcher(co);

但我不知道如何更改我的代码。

Answer 1

\w与unicode不匹配。要在regex中匹配unicode，可以使用\p{L}：

String pattern = "\\p{L}+(?=\\<)";

虽然这种类型的工作，我会建议使用的XML解析器中描述的正则表达式是完全不适合解析HTML / XML