连续重复二元组的正则表达式

Question

我的问题是该早期问题的直接扩展，该问题涉及检测字符串中的连续单词（字母组合）。

在上一个问题中

并不是说这是有关

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词（单词对）：

是蓝色然后又非常明亮

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（重复项），以便最终获得：

是蓝色然后很亮

（对于此应用程序，如果有关系，我正在gsubR中使用）

Answer 1

这里的要点是，在某些情况下，会存在包含较短重复子串的重复子串。因此，为了匹配更长的，你可以使用

\n\n

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

\n\n

（请参阅正则表达式演示）对于那些要查找较短子字符串的人，我会依赖惰性点匹配：

\n\n

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

\n\n

请参阅此正则表达式演示。替换字符串将是\\1对首先与分组结构匹配的捕获部分的反向引用(...)。

\n\n

您需要一个 PCRE 正则表达式才能使其工作，因为有记录的与多个单词边界匹配的问题gsub（因此，添加perl=T参数）。

\n\n

\n

gsub 和 gregexpr 的 POSIX 1003.2 模式对于重复的字边界（例如 ）无法正常工作pattern = "\\b"。用于perl = TRUE此类匹配（但对于非 ASCII 输入可能无法按预期工作，因为 \xe2\x80\x98word\xe2\x80\x99 的含义取决于系统）。

\n

\n\n

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

\n\n

所以，R 代码看起来像

\n\n

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

\n\n

或者

\n\n

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

\n\n

请参阅IDEONE 演示：

\n\n

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

\n