Python正则表达式匹配具有重复辅音的单词

首先，这是家庭作业。（我不能在标题中使用标签，并且底部的标签列表中没有显示任何作业，因此请让我知道我是否应该编辑与此相关的其他内容）

因此，我一直在阅读python文档并进行清理，找到了一些接近我想要的解决方案，但并不精确

我有一本字典，我把它读入一个字符串：

a
aa
aabbaa
...
z

我们正在对这些数据使用各种正则表达式模式。 这里的具体问题是返回与模式匹配的单词列表，而不是每个匹配中包含组的元组

例如：

给定此词典的子集，如：

someword
sommmmmeword
someworddddd
sooooomeword

我想返回：

['sommmmmword', 'someworddddd']

不是：

编辑：

我在上面这个例子背后的理由是，我想看看如何避免第二次忽略结果。这并不是说：

res = re.match(re.compile(r'pattern'), dictionary)
return [r[0] for r in res]

我特别想要一个机制，我可以只使用：

return re.match(re.compile(r'pattern'), dictionary)

我知道这听起来很傻，但我这样做是为了真正深入研究正则表达式。我在底部提到这一点

这就是我尝试过的：

# learned about back refs
r'\b([b-z&&[^eiou]])\1+\b' -> # nothing

# back refs were weird, I want to match something N times
r'\b[b-z&&[^eiou]]{2}\b' -> # nothing

在测试的某个地方，我注意到一个模式返回类似于

'\nsomeword'

的内容。我不知道它是什么，但如果我再次找到该模式，我会将其包含在这里，以确保完整性

# Maybe the \b word markers don't work how I think?
r'.*[b-z&&[^eiou]]{2}' -> # still nothing

# Okay lets just try to match something in between anything
r'.*[b-z&&[^eiou]].*' -> # nope

# Since its words, maybe I should be more explicit.
r'[a-z]*[b-z&&[^eiou]][a-z]*' -> # still nope

# Decided to go back to grouping.
r'([b-z&&[^eiou]])(\1)'  # I realize set difference may be the issue

# I saw someone (on SO) use set difference claiming it works
#  but I gave up on it...

# OKAY getting close
r'(([b-df-hj-np-tv-xz])(\2))' -> [('ll', 'l', 'l'), ...]

# Trying the the previous ones without set difference 
r'\b(.*(?:[b-df-hj-np-tv-xz]{3}).*)\b'  -> # returned everything (all words)

# Here I realize I need a non-greedy leading pattern (.* -> .*?)
r'\b(.*?(?:[b-df-hj-np-tv-xz]{3}).*)\b' ->  # still everything

# Maybe I need the comma in {3,} to get anything 3 or more
r'\b(.*?(?:[b-df-hj-np-tv-xz]{3,}).*)\b' ->  # still everything

# okay I'll try a 1 line test just in case
r'\b(.*?([b-df-hj-np-tv-xz])(\2{3,}).*)\b'  
    # Using 'asdfdffff' -> [('asdfdffff', 'f', 'fff')]
    # Using dictionary -> []  # WAIT WHAT?!

最后一个如何工作？也许没有3+个重复的辅音词？我正在学校服务器上使用

/usr/share/dict/cracklib small

，我想大概有50000个单词

我仍在努力，但任何建议都会很棒

有一件事我觉得很奇怪，那就是你不能引用一个未捕获的组。如果我只想输出完整的单词，我会使用（？：…）来避免捕获，但是我不能返回引用。显然，我可以留下捕获，循环结果，过滤掉多余的东西，但我绝对想用正则表达式来解决这个问题

---

也许有一种方法可以实现非捕获，但仍然允许反向引用？或者可能有一个完全不同的表达式我还没有测试过。

这里有几点需要考虑：

使用

re.findall

获取所有结果，而不是

re.match

（仅搜索1个匹配项，且仅在字符串开头）

[b-z&&[^eiou]]

是一个Java/ICU正则表达式，Python

re

不支持此语法。在Python中，您可以重新定义范围以跳过元音，也可以使用

（？！[eiou]）[b-z]

要避免元组中带有

re.findall

的“额外”值，请不要使用捕获组。如果需要反向引用，请使用

re.finditer

而不是

re.findall

并访问每个匹配项的

.group（）

回到问题上来，如何使用回溯引用仍然获得整个比赛，以下是一个：

---

当你努力完成作业后，可以在这里问一下家庭作业：）你能分享一下

['sommmmmmword'，'sommwordddddd']

和

[（'sommmword'，'mmmmmm'，…），…]

背后的逻辑吗？啊，是的，如果这看起来让人困惑的话，很抱歉。我输入了一个edit.1）使用

re.findall

获取所有结果，而不是

re.match

（只搜索1个匹配项，并且只在字符串开头）。2）

[b-z&&[^eiou]]

是一个Java/ICU正则表达式，Python

re

不支持此语法。3） 要避免元组中带有

re.findall

的“额外”值，请不要使用捕获组。如果您需要反向引用，请使用

re.finditer

而不是

re.findall

，并访问每个匹配项的

.group（）

。这就是您要查找的吗？啊，我使用的是fiindall，我只是输入了错误的示例。但我没有尝试finditer！我以为那只是芬德尔的发电机。我会在回家后测试一下！非常感谢。另外，作为一个旁注，我是否可以使用\1{N}而不将其分组，而不是显式地说“\1\1\1…”来收集匹配的N个副本？您可以使用带有反向引用（=量化反向引用）的量词，方式与任何原子相同：

\1{4}

。看见

# Maybe the \b word markers don't work how I think?
r'.*[b-z&&[^eiou]]{2}' -> # still nothing

# Okay lets just try to match something in between anything
r'.*[b-z&&[^eiou]].*' -> # nope

# Since its words, maybe I should be more explicit.
r'[a-z]*[b-z&&[^eiou]][a-z]*' -> # still nope

# Decided to go back to grouping.
r'([b-z&&[^eiou]])(\1)'  # I realize set difference may be the issue

# I saw someone (on SO) use set difference claiming it works
#  but I gave up on it...

# OKAY getting close
r'(([b-df-hj-np-tv-xz])(\2))' -> [('ll', 'l', 'l'), ...]

# Trying the the previous ones without set difference 
r'\b(.*(?:[b-df-hj-np-tv-xz]{3}).*)\b'  -> # returned everything (all words)

# Here I realize I need a non-greedy leading pattern (.* -> .*?)
r'\b(.*?(?:[b-df-hj-np-tv-xz]{3}).*)\b' ->  # still everything

# Maybe I need the comma in {3,} to get anything 3 or more
r'\b(.*?(?:[b-df-hj-np-tv-xz]{3,}).*)\b' ->  # still everything

# okay I'll try a 1 line test just in case
r'\b(.*?([b-df-hj-np-tv-xz])(\2{3,}).*)\b'  
    # Using 'asdfdffff' -> [('asdfdffff', 'f', 'fff')]
    # Using dictionary -> []  # WAIT WHAT?!

import re
s = """someword
sommmmmeword
someworddddd
sooooomeword"""
res =[x.group() for x in re.finditer(r"\w*([b-df-hj-np-tv-xz])\1\w*", s)]
print(res)
# => ['sommmmmeword', 'someworddddd']