在python中查找包含重复字符的单词

Question

免责声明：我发现了很多类似的问题，但没有发现具体的问题。有人回答后，我将其删除。

我需要找到所有被屏蔽的单词，例如：

  

AAAAA喜欢苹果，但是BBBBB喜欢香蕉。他们的电话号码是   ffffr和ggggh。

该图案至少是重复字符的三倍。

当我使用时：

import re

p = re.compile(r'[a-z]{3,}, re.IGNORECASE)
m = p.findall('AAAAA likes apples, but BBBBB likes bananas. Their phone numbers are ffffr and ggggh.')

我只会得到所有单词（包含3个以上的字符）。

理想情况下，我只能得到：

m = ['AAAAA', 'BBBBB', 'ffffr', 'ggggh']

我应该如何更改愤怒规则以仅捕获那些规则？

谢谢！

Answer 1

您当前的正则表达式仅检查三个或更多[a-z]，但不进行重复检查。为了检查字母是否重复，您需要capture，然后backreference。使用您的re.IGNORECASE

\b\w*?([a-z])\1\1\w*\b

• \b与word boundary匹配
• \w与word character匹配
• ([a-z])将字母字符捕获到\1
• \1是对第一组捕获的内容的反向引用

See demo at regex101

这将匹配至少3个重复的[a-z]，并用任意数量的\w个单词字符包围。

Answer 2

在这里，如果我们希望捕获一个单词，我们将使用带有反向引用的单词边界，其表达式类似于：

\b([a-z])\1\1\1.+?\b

Demo

测试

# coding=utf8
# the above tag defines encoding for this document and is for Python 2.x compatibility

import re

regex = r"\b([a-z])\1\1\1.+?\b"

test_str = "AAAAA likes apples, but BBBBB likes bananas. Their phone numbers are ffffr and ggggh."

matches = re.finditer(regex, test_str, re.MULTILINE | re.IGNORECASE)

for matchNum, match in enumerate(matches, start=1):

    print ("Match {matchNum} was found at {start}-{end}: {match}".format(matchNum = matchNum, start = match.start(), end = match.end(), match = match.group()))

    for groupNum in range(0, len(match.groups())):
        groupNum = groupNum + 1

        print ("Group {groupNum} found at {start}-{end}: {group}".format(groupNum = groupNum, start = match.start(groupNum), end = match.end(groupNum), group = match.group(groupNum)))

# Note: for Python 2.7 compatibility, use ur"" to prefix the regex and u"" to prefix the test string and substitution.

RegEx电路

jex.im可视化正则表达式：

Answer 3

您可以使用正则表达式，但我建议使用其他方式，即：

txt = 'AAAAA likes apples, but BBBBB likes bananas. Their phone numbers are ffffr and ggggh.'
words = txt.split(' ')
found = [i for i in words if len(set(i[:3].lower()))==1]
print(found) # ['AAAAA', 'BBBBB', 'ffffr', 'ggggh.']

请注意，由于最后一个元素中的found，现在.与所需的输出并不完全相同，但是我们可以按照以下方式轻松删除任何尾随的标点符号：

import string
clear_found = [i.rstrip(string.punctuation) for i in found]
print(clear_found) # ['AAAAA', 'BBBBB', 'ffffr', 'ggggh']

我的方法的说明：我得到单词的第3个字符，将它们全部转换为小写，然后使用set检查是否只有一个字母（字符）。另外，您可以使用.upper的{​​{1}}方法。如果您认为基于正则表达式的解决方案更适合您的用例，请随时使用，但是请记住，对于某些问题，可能会使用非正则表达式的解决方案。