Question

我的问题是关于检测字符串中连续单词（unigrams）的早期question的直接扩展。

在上一个问题中，

不那是相关的

可以通过此正则表达式检测到：\b(\w+)\s+\1\b

在这里，我想检测连续的双字母组（单词对）：

是蓝色然后非常明亮

理想情况下，我还想知道如何用单个元素替换检测到的模式（重复），以便最终获得：

是蓝色然后非常明亮

（对于此应用程序，如果重要，我在R中使用gsub

Answer 1

尝试以下RegEx：

(\b.+?\b)\1\b

RegEx将捕获字边界，然后是数据，然后是另一个字边界。 \1将引用捕获的内容，然后再次选择。然后，它会检查结尾的单词边界，以防止选择a and和z zoo

至于替换，请使用\1。这将包含来自 1st Capture Group （bigram的第一部分）的数据，第一部分将用于替换整个事件。

Live Demo on Regex101

Answer 2

这里的要点是，在某些情况下，会有重复的子串，包括较短的重复子串。因此，为了匹配较长的，你会使用

(\b.+\b)\1\b

（参见regex demo），对于那些找到更短子串的人，我依靠懒点匹配：

(\b.+?\b)\1\b

见this regex demo。替换字符串将为\1 - 对捕获部分的反向引用首先与分组结构(...)匹配。

您需要一个PCRE正则表达式才能使其正常工作，因为存在使用gsub匹配多个单词边界的文档问题（因此，添加perl=T参数）。

gsub和gregexpr的POSIX 1003.2模式在重复的字边界（例如pattern = "\b"）下无法正常工作。使用perl = TRUE进行此类匹配（但对于非ASCII输入可能无法正常工作，因为'word'的含义取决于系统）。

请注意，如果重复的子字符串可以跨越多行，则可以在模式的开头使用带有DOTALL修饰符(?s)的PCRE正则表达式（以便.也可以匹配换行符号。）

所以，R代码看起来像

gsub("(?s)(\\b.+\\b)\\1\\b", "\\1", s, perl=T)

或

gsub("(?s)(\\b.+?\\b)\\1\\b", "\\1", s, perl=T)

请参阅IDEONE demo：

text <- "are blue and then and then more and then and then more very bright"
gsub("(?s)(\\b.+?\\b)\\1\\b", "\\1", text, perl=T) ## shorter repeated substrings
## [1] "are blue and then more and then more very bright"
gsub("(?s)(\\b.+\\b)\\1\\b", "\\1", text, perl=T) ## longer repeated substrings
## [1] "are blue and then and then more very bright"

连续重复Bigrams的正则表达式

2 个答案: