Wyrażenie regularne dla zduplikowanych słów

Jestem początkującym użytkownikiem wyrażeń regularnych i nie mogę się do końca dowiedzieć, jak napisać pojedyncze wyrażenie regularne, które „pasowałoby” do wszystkich zduplikowanych następujących po sobie słów, takich jak:

Paryż w tym na wiosnę.

Nie to jest powiązane.

Dlaczego się śmiejesz? Czy moje wyrażenia regularne są TAKIE złe?

Czy istnieje jedno wyrażenie regularne, które będzie pasować do WSZYSTKICH powyższych pogrubionych ciągów?

Wypróbuj to wyrażenie regularne:

\b(\w+)\s+\1\b

Oto \bgranica słowa i \1odwołuje się do przechwyconego dopasowania z pierwszej grupy.

Uważam, że to wyrażenie regularne obsługuje więcej sytuacji:

/(\b\S+\b)\s+\b\1\b/

Dobry wybór ciągów testowych można znaleźć tutaj: http://callumacrae.github.com/regex-tuesday/challenge1.html

Spróbuj tego z poniższym RE

• \ b początek granicy słowa
• \ W + dowolny znak słowa
• \ 1 to samo słowo już dopasowane
• \ b koniec słowa

• () * Powtarzam ponownie

  public static void main(String[] args) {
  
      String regex = "\\b(\\w+)(\\b\\W+\\b\\1\\b)*";//  "/* Write a RegEx matching repeated words here. */";
      Pattern p = Pattern.compile(regex, Pattern.CASE_INSENSITIVE/* Insert the correct Pattern flag here.*/);
  
      Scanner in = new Scanner(System.in);
  
      int numSentences = Integer.parseInt(in.nextLine());
  
      while (numSentences-- > 0) {
          String input = in.nextLine();
  
          Matcher m = p.matcher(input);
  
          // Check for subsequences of input that match the compiled pattern
          while (m.find()) {
              input = input.replaceAll(m.group(0),m.group(1));
          }
  
          // Prints the modified sentence.
          System.out.println(input);
      }
  
      in.close();
  }

Powszechnie używana biblioteka PCRE poradzi sobie z takimi sytuacjami (nie osiągniesz tego samego z silnikami regex zgodnymi z POSIX):

(\b\w+\b)\W+\1

Oto wyrażenie regularne, którego używam do usuwania zduplikowanych fraz w moim bocie twitch:

(\S+\s*)\1{2,}

(\S+\s*) szuka dowolnego ciągu znaków, który nie jest białą spacją, po którym następuje spacja.

\1{2,}następnie szuka więcej niż 2 wystąpień tej frazy w ciągu do dopasowania. Jeśli istnieją 3 identyczne frazy, pasuje.

Poniższe wyrażenie powinno działać poprawnie, aby znaleźć dowolną liczbę kolejnych słów. Dopasowanie może nie uwzględniać wielkości liter.

String regex = "\\b(\\w+)(\\s+\\1\\b)*";
Pattern p = Pattern.compile(regex, Pattern.CASE_INSENSITIVE);

Matcher m = p.matcher(input);

// Check for subsequences of input that match the compiled pattern
while (m.find()) {
     input = input.replaceAll(m.group(0), m.group(1));
}

Przykładowe dane wejściowe: Goodbye goodbye GooDbYe

Przykładowe wyjście: Do widzenia

Wyjaśnienie:

Wyrażenie regularne:

\ b: Początek granicy słowa

\ w +: Dowolna liczba znaków słowa

(\ s + \ 1 \ b) *: Dowolna liczba spacji, po której następuje słowo, które pasuje do poprzedniego słowa i kończy granicę słowa. Całość opakowana * pomaga znaleźć więcej niż jedno powtórzenie.

Grupowanie:

m.group (0): Powinien zawierać dopasowaną grupę w powyższym przypadku Goodbye goodbye GooDbYe

m.group (1): Musi zawierać pierwsze słowo dopasowanego wzorca w powyższym przypadku Goodbye

Metoda Replace powoduje zastąpienie wszystkich kolejnych dopasowanych słów pierwszym wystąpieniem danego słowa.

Nie. To jest nieregularna gramatyka. Mogą istnieć wyrażenia regularne specyficzne dla silnika / języka, których można użyć, ale nie ma uniwersalnego wyrażenia regularnego, które to umożliwia.

Oto taki, który wielokrotnie łapie wiele słów:

(\b\w+\b)(\s+\1)+

Regex to Strip 2+ zduplikowane słowa (kolejne / nie kolejne słowa)

Wypróbuj to wyrażenie regularne, które może wychwycić 2 lub więcej zduplikowanych słów i pozostawić tylko jedno słowo. A zduplikowane słowa nie muszą nawet następować po sobie .

/\b(\w+)\b(?=.*?\b\1\b)/ig

Tutaj \bjest używany do granicy słowa, ?=jest używany do pozytywnego wyprzedzania i \1jest używany do odwoływania się wstecz.

Przykładowe źródło

Przykład w Javascript: The Good Parts można dostosować do tego:

var doubled_words = /([A-Za-z\u00C0-\u1FFF\u2800-\uFFFD]+)\s+\1(?:\s|$)/gi;

\ b używa \ w dla granic słów, gdzie \ w jest równoważne z [0-9A-Z_a-z]. Jeśli nie masz nic przeciwko temu ograniczeniu, zaakceptowana odpowiedź jest w porządku.

Ponieważ niektórzy programiści przychodzą na tę stronę w poszukiwaniu rozwiązania, które nie tylko eliminuje zduplikowane następujące po sobie podciągi niebędące białymi znakami, ale także potrójne powtórzenia i więcej, pokażę dostosowany wzorzec.

Wzorzec: /(\b\S+)(?:\s+\1\b)+/( Demonstracja wzorca )
Zastąp: $1(zastępuje dopasowanie pełnego ciągu grupą przechwytywania nr 1)

Ten wzorzec zachłannie dopasowuje „cały” podciąg niebędący białymi znakami, a następnie wymaga jednej lub więcej kopii dopasowanego podciągu, który może być oddzielony jednym lub większą liczbą białych znaków (spacja, tabulator, nowa linia itp.).

Konkretnie:

• \b Znaki (granica słowa) są niezbędne, aby zapewnić, że częściowe słowa nie zostaną dopasowane.
• Drugi nawias to grupa nieprzechwytywana, ponieważ ten podciąg o zmiennej szerokości nie musi być przechwytywany - tylko dopasowany / wchłonięty.
• +(jeden lub więcej kwantyfikator) w grupie non-przechwytywania jest bardziej odpowiednie niż *ponieważ *będzie „przeszkadza” silnik regex do przechwytywania i zastąpić Singleton zdarzeń - jest marnotrawstwem wzornictwo.

* uwaga, jeśli masz do czynienia ze zdaniami lub ciągami wejściowymi z interpunkcją, wówczas wzorzec będzie wymagał dalszego dopracowania.

To wyrażenie (zainspirowane przez Mike'a powyżej) wydaje się wychwytywać wszystkie duplikaty, potrójne powtórzenia itp., W tym te na końcu łańcucha, których większość innych nie robi:

/(^|\s+)(\S+)(($|\s+)\2)+/g, "$1$2")

Wiem, że pytanie zadane, aby dopasować tylko duplikaty , ale potrójne to tylko 2 duplikaty obok siebie :)

Po pierwsze, (^|\s+)upewniłem się, że zaczyna się od pełnego słowa, w przeciwnym razie „stek dziecięcy” trafiłby do „bułki dziecięcej” (litery „s” pasowałyby). Następnie dopasowuje wszystkie pełne słowa ( (\b\S+\b)), po których następuje koniec string ( $) lub liczba spacji ( \s+), całość powtórzona więcej niż raz.

Próbowałem tego w ten sposób i zadziałało dobrze:

var s = "here here here     here is ahi-ahi ahi-ahi ahi-ahi joe's joe's joe's joe's joe's the result result     result";
print( s.replace( /(\b\S+\b)(($|\s+)\1)+/g, "$1"))         
--> here is ahi-ahi joe's the result

Użyj tego, jeśli chcesz, aby sprawdzanie duplikatów słów nie było uwzględniane.

(?i)\\b(\\w+)\\s+\\1\\b