查找连续重复单词时的Python后视正则表达式“固定宽度模式”错误

Posted 2023-02-23

【中文标题】查找连续重复单词时的Python后视正则表达式“固定宽度模式”错误

【英文标题】：Python look-behind regex "fixed-width pattern" error while looking for consecutive repeated words

【发布时间】：2018-01-02 05:21:00

【问题描述】：

我有一个文本，其中的单词由. 分隔，其中包含 2 个和 3 个连续重复的单词：

My.name.name.is.Inigo.Montoya.You.killed.my.father.father.father.Prepare.to.die-

我需要用正则表达式独立匹配它们，不包括三次重复的重复项。

因为有最大值。 3个连续重复的单词，这个

r'\b(\w+)\.+\1\.+\1\b'

成功捕获

father.father.father

但是，为了捕捉 2 个连续重复的单词，我需要确保下一个单词和上一个单词不一样。我可以做一个消极的前瞻

r'\b(\w+)\.+\1(?!\.+\1)\b'

但我对消极的后视

的尝试

r'(?<!(\w)\.)\b\1\.+\1\b(?!\.\1)'

返回一个固定宽度的问题（当我保留+ 时）或其他一些问题。

我应该如何纠正消极的后视？

【问题讨论】：

正如你已经说过的，如果匹配没有恒定的长度，你就不能使用lookbehinds。您可以使用regex 库，这是一个替代的正则表达式库，允许可变长度的后视。

可以用1个以上的点分隔部分吗？你用了\.+，是有意的吗？见this demo，你在找这样的东西吗？

如果只是从“multicates”\b(\w+)(?:\.(\1)(?:\.\1)+|\.(\1))\b 中识别重复项，第 3 组中的匹配项是重复项，第 2 组中的匹配项是捕获词的三倍或更多。

【参考方案1】：

我认为可能有一种更简单的方法来捕捉你想要的东西，而无需消极的后视：

r = re.compile(r'\b((\w+)\.+\2\.+\2?)\b')
r.findall(t)

> [('name.name.', 'name'), ('father.father.father', 'father')]

只是将第三次重复设为可选。

---

捕获同一单词任意数量重复的版本可能如下所示：

r = re.compile(r'\b((\w+)(\.+\2)\3*)\b')
r.findall(t)
> [('name.name', 'name', '.name'), ('father.father.father', 'father', '.father')]

【讨论】：

为了拒绝匹配尾随点，您可以将第二个点放在非捕获组中。 r'((\w+)\.+\2(?:\.+\2)?)'.

除非我尝试错了，否则这些正则表达式似乎匹配重复项和三次项。我正在尝试找到不同的正则表达式来分别匹配重复项和三次项。

【参考方案2】：

也许根本不需要正则表达式。

使用itertools.groupby 可以完成这项工作。 旨在将相同出现的连续项目分组。

按单词分组（按点分割后） 转换为列表并发出tuple 值，仅当长度> 1 时才计数

像这样：

import itertools

s = "My.name.name.is.Inigo.Montoya.You.killed.my.father.father.father.Prepare.to.die"

matches = [(l[0],len(l)) for l in (list(v) for k,v in itertools.groupby(s.split("."))) if len(l)>1]

结果：

[('name', 2), ('father', 3)]

所以基本上我们可以对这个元组列表做任何我们想做的事情（例如根据出现的次数过滤它）

奖励（因为我一开始误读了这个问题，所以我把它留在里面）：从句子中删除重复项 - 按单词分组（根据点拆分后），如上 - 只取列表 comp 中返回的值的键（值）（我们不需要这些值，因为我们不计算） - 用点加入回来

一行（仍在使用itertools）：

new_s = ".".join([k for k,_ in itertools.groupby(s.split("."))])

结果：

My.name.is.Inigo.Montoya.You.killed.my.father.Prepare.to.die

【讨论】：

可以丢next，我认为k for k,_也应该可以工作，因为关键是每个值。

谢谢！我不需要删除重复项，只是为了识别它们，但元组方法应该有效。我试试看！

@Jean-FrançoisFabre 这被证明是最简单的解决方案，所以在这种情况下我放弃了正则表达式。再次感谢！

你是个聪明人。复杂的正则表达式有时很难维护/修改。在像这样的简单情况下，它们并不是真正需要的（好吧，当你使用 python 时！）

啊，旧的'正则表达式在你有字符串拆分'参数时很愚蠢。 matches = [(l[0],len(l)) for l in (list(v) for k,v in itertools.groupby(s.split("."))) if len(l)>1] 比 \b((\w+)\.+\2\.+\2?)\b 更容易？！正则表达式也是跨平台的。此外，快速基准测试：10000 次循环，最好的 3 次：每个循环 4.04 µs | 10000 个循环，3 个循环中的最佳：每个循环 20.4 µs - 猜猜哪一个正在使用正则表达式。