Question

我正在遍历一个大文本文件，我正在查找包含不超过3个不同字符的行（但是，这些字符可以无限重复）。我假设最好的方法是做某种正则表达式。

感谢所有帮助。

（我正在用PHP编写脚本，如果有帮助的话）

Answer 1

正则表达式为孩子们优化乐趣时间练习！以gnarf的正则表达式为出发点：

^(.)\1*(.)?(?:\1*\2*)*(.)?(?:\1*\2*\3*)*$

我注意到这里有嵌套和顺序*，这可能导致大量的回溯。例如，在'abcaaax'中，它会尝试匹配最后一串'a'作为长度为3的单个\ 1 *，长度为2的\ 1 *后跟一个\ 1，一个\ 1后跟一个2长度1 *，或三个单匹配\ 1s。当你有更长的字符串时，这个问题会变得更糟，特别是当由于正则表达式而没有什么能阻止\ 1与\ 2相同的字符。

^(.)\1*(.)?(?:\1|\2)*(.)?(?:\1|\2|\3)*$

这是原始版本的两倍，在Python的PCRE匹配器上进行测试。（这比在PHP中设置更快，抱歉。）

这仍然存在一个问题，即(.)?无法匹配，然后继续进行其余的匹配。即使没有\ 2匹配，\1|\2仍将匹配\ 1，导致潜在的回溯尝试在较早时引入\1|\2和\1|\2|\3条款，因为它们无法匹配。这可以通过在整个尾随子句中移动?可选性来解决：

^(.)\1*(?:(.)(?:\1|\2)*(?:(.)(?:\1|\2|\3)*)?)?$

这又快了两倍。

仍然存在一个潜在的问题，即\ 1，\ 2和\ 3中的任何一个都可以是相同的字符，当表达式不匹配时可能导致更多的回溯。这将通过使用负前瞻与前一个字符不匹配来阻止它：

^(.)\1*(?:(?!\1)(.)(?:\1|\2)*(?:(?!\1|\2)(.)(?:\1|\2|\3)*)?)?$

然而，在我的随机测试数据的Python中，我没有注意到这一点的显着加速。根据测试数据，您的里程可能因PHP而异，但已经足够好了。如果可以在这里使用占有匹配（* +）可能会有所帮助。

没有正则表达式比易于阅读的Python替代方案表现更好：

len(set(s))<=3

PHP中的类似方法可能与count_chars：

strlen(count_chars($s, 3))<=3

我没有测试速度，但我非常希望这比正则表达式快，除了读取更好，更好。

所以基本上我只是浪费时间摆弄正则表达式。不要浪费你的时间，在使用正则表达式之前首先寻找简单的字符串方法！

Answer 2

冒着被投票的风险，我会建议正则表达式不是为了处理这种情况。

您可以匹配一个字符或一组字符，但是您无法记住已找到集合中的哪些字符以排除那些进一步匹配的字符。

我建议您保留一个字符集，在开始新行之前重置它，然后在越过该行时添加元素。只要集合中的元素数超过3，就会删除当前行并继续下一行。

Answer 3

也许这会奏效：

preg_match("/^(.)\\1*(.)?(?:\\1*\\2*)*(.)?(?:\\1*\\2*\\3*)*$/", $string, $matches);
// aaaaa:Pass
// abababcaaabac:Pass
// aaadsdsdads:Pass
// aasasasassa:Pass
// aasdasdsadfasf:Fail

阐释：

/
 ^                 #start of string
 (.)               #match any character in group 1
 \\1*              #match whatever group 1 was 0 or more times
 (.)?              #match any character in group 2 (optional)
 (?:\\1*\\2*)*     #match group 1 or 2, 0 or more times, 0 or more times 
                   #(non-capture group)
 (.)?              #match any character in group 3 (optional)
 (?:\\1*\\2*\\3*)* #match group 1, 2 or 3, 0 or more times, 0 or more times
                   #(non-capture group)
 $                 #end of string
/

添加好处，$matches[1], [2], [3]将包含您想要的三个字符。正则表达式查找第一个字符，然后将其存储并匹配，直到找到除该字符之外的其他内容，将其作为第二个字符捕获，尽可能多地匹配这些字符中的任意一个，捕获第三个字符，以及匹配所有三个，直到匹配失败或字符串结束并且测试通过。

修改

由于解析引擎和回溯的工作方式，这个正则表达式会快得多，请阅读bobince的解释答案：

/^(.)\\1*(?:(.)(?:\\1|\\2)*(?:(.)(?:\\1|\\2|\\3)*)?)?$/

Answer 4

对我来说 - 作为一个具有足够公正的正则表达知识的程序员，这听起来不像只能使用Regexp解决的问题。

更有可能需要构建hashMap /数组数据结构键：字符值：计算并迭代大文本文件，重建每行的映射。在每个新字符处检查已经遇到的字符数是否为2，如果是，则跳过当前行。

但如果一个疯狂的正则表达式黑客会提出解决方案，我很高兴能够感到惊讶。

在RegEx中，如何找到包含不超过3个唯一字符的行？

4 个答案: