正则表达式识别多行文本中连续和非连续的重复词

Question

我正在为具有关键字和逗号（分隔）/分号（EOL）分隔值的文件编写语法检查器（在 Java 中）。两个完整结构之间的空间量未指定。

需要什么：

在多行文件中查找任何重复的单词（连续和非连续）。

// Example_1 (duplicate 'test'):
item1  , test, item3   ;
item4,item5;
test , item6;

// Example_2 (duplicate 'test'):
item1  , test, test   ;
item2,item3;

我尝试应用该(\w+)(s*\W\s*\w*)*\1模式，但该模式无法正确捕获重复项。

Answer 1

您可以将此正则表达式与模式DOTALL（单行）一起使用：

(?s)(\b\w+\b)(?=.*\b\1\b)

正则表达式演示

正则表达式详情：

• (?s): 启用DOTALL模式
• (\b\w+\b)：匹配一个完整的单词并在第 1 组中捕获它
• (?=.*\b\1\b): Lookahead 断言我们在前面\1某处存在反向引用。\b用于确保我们再次匹配完全相同的单词。

此外：

根据下面之前的评论，如果意图不匹配像 那样的连续单词重复item1 item1，则可以使用以下正则表达式：

(?s)(\b\w+\b)(?!\W+\1\b)(?=.*\b\1\b)

正则表达式演示 2

这里有一个额外的否定前瞻断言，以确保我们不匹配连续的重复。

• (?!\W+\1\b)：连续重复失败的负前瞻。