替换所有连续重复的字母，忽略特定单词

Question

我看到很多建议使用 re （正则表达式）或 python 中的 .join 删除句子中连续重复的字母，但我想对特殊单词有例外。

例如：

我想要这句话>sentence = 'hello, join this meeting heere using thiis lllink'

像这样>'hello, join this meeting here using this link'

知道我有这个单词列表要保留并忽略重复的字母检查：keepWord = ['Hello','meeting']

我发现有用的两个脚本是：

• 使用.join：

  import itertools
  
  sentence = ''.join(c[0] for c in itertools.groupby(sentence))
  

• 使用正则表达式：

  import re
  
  sentence = re.compile(r'(.)\1{1,}').sub(r'\1', sentence)
  

我有一个解决方案，但我认为还有一个更紧凑、更高效的解决方案。我现在的解决方案是：

import itertools

sentence = 'hello, join this meeting heere using thiis lllink'
keepWord = ['hello','meeting']

new_sentence = ''

for word in sentence.split():
    if word not in keepWord:
        new_word = ''.join(c[0] for c in itertools.groupby(word))
        new_sentence = sentence +" " + new_word
    else:
        new_sentence = sentence +" " + word

有什么建议么？

Answer 1

您可以匹配列表中的整个单词keepWord，并且仅替换其他上下文中两个或多个相同字母的序列：

import re
sentence = 'hello, join this meeting heere using thiis lllink'
keepWord = ['hello','meeting']
new_sentence = re.sub(fr"\b(?:{'|'.join(keepWord)})\b|([^\W\d_])\1+", lambda x: x.group(1) or x.group(), sentence)
print(new_sentence)
# => hello, join this meeting here using this link

查看Python 演示

正则表达式看起来像

\b(?:hello|meeting)\b|([^\W\d_])\1+

请参阅正则表达式演示。如果组 1 匹配，则返回其值，否则，返回完整匹配项（要保留的单词）。

图案细节

• \b(?:hello|meeting)\b-hello或meeting用单词边界包围
• |- 或者
• ([^\W\d_])- 第 1 组：任何 Unicode 字母
• \1+- 对第 1 组值的一个或多个反向引用