Regex 重复词的正则表达式

我是一个正则表达式新手，我不太明白如何编写一个正则表达式来“匹配”任何重复的连续单词，例如：

春天的巴黎

没有关系

你为什么笑？我的正则表达式有那么糟糕吗

---

是否有一个正则表达式可以匹配上面所有粗体字符串？

否。这是一个不规则语法。您可能可以使用特定于引擎/语言的正则表达式，但没有通用正则表达式可以做到这一点。

尝试以下正则表达式：

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

---

这里的

\b

是一个单词边界，并且

\1

引用了第一组捕获的匹配项。

广泛使用的PCRE库可以处理此类情况（但是，对于符合POSIX的正则表达式引擎，您无法实现相同的效果）：

---

我相信这个正则表达式可以处理更多的情况：

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

---

可以在这里找到一个很好的测试字符串选择：

Javascript中的示例：可以调整好的部分来实现这一点：

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

---

\b使用\w作为单词边界，其中\w相当于[0-9A-Z_a-Z]。如果您不介意这一限制，可以接受答案。

这是我用来删除twitch bot中重复短语的正则表达式：

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

（\S+\S*）

查找任何不是空格的字符串，后跟空格

\1{2，}

然后在字符串中查找该短语的两个以上实例以进行匹配。如果有3个短语是相同的，则匹配。

此表达式（灵感来源于上面的Mike）似乎捕捉到了所有重复、三次重复等，包括字符串末尾的那些，而大多数其他短语没有：

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

我知道这个问题要求只匹配副本，但三份副本只是两份相邻的副本：）

首先，我放置

（^ |\s+

以确保它以一个完整的单词开头，否则“child’s steak”将转到“child’s steak”（s将匹配）。然后，它匹配所有完整的单词（

（\b\S+\b）

），后跟字符串结尾（

$

）或一些空格（

\S+

），整个过程重复了不止一次

我这样试过，效果很好：

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

---

如果您希望不区分大小写检查重复单词，请使用此选项

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

用下面的RE试试这个

• \词边界的开始
• \W+任何单词字符
• \已经匹配了1个相同的单词
• \词尾
• （）*重复一遍

  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();
  }
  

---

由于一些开发人员来到本页是为了寻找一种解决方案，该解决方案不仅可以消除重复的连续非空白子字符串，而且可以消除重复的连续非空白子字符串，因此我将展示经过调整的模式

模式：

/（\b\S+（:\S+\1\b）+/

（）
替换：

$1

（将完整字符串匹配替换为捕获组#1）

此模式贪婪地匹配“整个”非空白子字符串，然后需要匹配子字符串的一个或多个副本，这些副本可以由一个或多个空白字符（空格、制表符、换行符等）分隔

具体而言：

• \b

  （单词边界）字符对于确保部分单词不匹配至关重要
• 第二个括号是非捕获组，因为这个可变宽度的子串不需要捕获——只需要匹配/吸收
• 非捕获组上的

  +

  （一个或多个量词）比

  *

  更合适，因为

  *

  将“打扰”正则表达式引擎捕获和替换单例事件——这是浪费的模式设计

---

*注意：如果您正在处理带有标点符号的句子或输入字符串，则需要进一步完善模式。

这里有一个可以多次捕捉多个单词的模式：

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

正则表达式剥离2+重复字（连续/非连续字） 试试这个正则表达式，它可以捕获2个或更多重复的单词，并且只留下一个单词。重复的单词甚至不需要是连续的

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

这里，

\b

用于单词边界，

？=

用于正向前瞻，

\1

用于反向引用

---

以下表达式应能正确查找任意数量的连续单词。匹配可以不区分大小写

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));
}

示例输入：再见

示例输出：再见

说明：

正则表达式：

\b:单词边界的开始

\w+：任意数量的单词字符

（\s+\1\b）*：与上一个单词匹配并结束单词边界的单词后面的任意数量的空格。用*包装的整个东西有助于找到不止一个重复

分组：

m、 组（0）：在上述情况下，应包含匹配的组

m、 第（1）组：在上述情况下，应包含匹配模式的第一个单词

---

替换方法将用单词的第一个实例替换所有连续匹配的单词。

您需要一些东西来匹配两个单词之间的字符，如

\W+

\b

不会这样做，因为它不使用任何字符。这可能会在

之类的情况下导致假阳性匹配。。。解决这些问题的方法…

。这个解决方案不如Gumbo模式的一般结构可靠，它充分实现了单词边界。如果我想从一个特定的标记中找到所有连续的单词，例如

bla bla

，我如何集成这个正则表达式？虽然严格意义上是正确的，我相信现在还没有一个正则表达式引擎不再支持分组和反向引用；也可以执行

\0

吗？（其中

\0

是到当前点为止的整个正则表达式，或者

\0

是指

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));
}