最短重复子串

Question

我正在寻找一种有效的方法来提取最短的重复子串。 例如：

input1 = 'dabcdbcdbcdd'
ouput1 = 'bcd'

input2 = 'cbabababac'
output2 = 'ba'

我希望得到与此问题相关的任何答案或信息。

此外，在this post中，人们建议我们可以使用正则表达式，如

re=^(.*?)\1+$

找到字符串中最小的重复模式。但是这样的表达式在Python中不起作用并且总是让我不匹配（我是Python的新手，也许我想念一些东西？）。

---跟进---

这里的标准是寻找长度大于1并且总长度最长的最短非重叠模式。

Answer 1

此模式的快速修复可能是

(.+?)\1+

你的正则表达式失败了，因为它将重复的字符串锚定到行的开头和结尾，只允许abcabcabc而不是xabcabcabcx这样的字符串。此外，重复字符串的最小长度应为1，而不是0（或任何字符串匹配），因此.+?而不是.*?。

在Python中：

>>> import re
>>> r = re.compile(r"(.+?)\1+")
>>> r.findall("cbabababac")
['ba']
>>> r.findall("dabcdbcdbcdd")
['bcd']

但请注意，此正则表达式只会找到非重叠的重复匹配，因此在上一个示例中，虽然这是最短的重复字符串，但找不到解d。或者查看此示例：此处找不到abcd，因为第一个abc的{​​{1}}部分已在第一场比赛中用完了）：

abcd

此外，它可能会返回多个匹配项，因此您需要在第二步中找到最短的匹配项：

>>> r.findall("abcabcdabcd")
['abc']

更好的解决方案：

要让引擎找到重叠的匹配项，请使用

>>> r.findall("abcdabcdabcabc")
['abcd', 'abc']

这会发现一些字符串两次或更多，如果它们重复了足够多次，但它肯定会找到所有可能的重复子字符串：

(.+?)(?=\1)

因此，您应该按长度对结果进行排序并返回最短的结果：

>>> r = re.compile(r"(.+?)(?=\1)")
>>> r.findall("dabcdbcdbcdd")
['bcd', 'bcd', 'd']

>>> min(r.findall("dabcdbcdbcdd") or [""], key=len) 'd' （感谢J. F. Sebastian！）确保如果根本没有匹配则不会触发or [""]。

Answer 2

^匹配字符串的开头。在您的示例中，重复的子字符串不会从头开始。类似于$。如果没有^和$，则模式.*?始终匹配空字符串。 Demo：

import re

def srp(s):
    return re.search(r'(.+?)\1+', s).group(1)

print srp('dabcdbcdbcdd') # -> bcd
print srp('cbabababac')   # -> ba

虽然找不到最短的子串。