python - 如何使用正则表达式仅保留前n个重复单词

Question

如果我有一个输入句子

input = 'ok ok, it is very very very very very hard'

我想要做的是只保留任何重复单词的前三个副本:

output = 'ok ok, it is very very very hard'

如何使用 python 中的 re 或 regex 模块实现此目的？

Answer 1

一种选择可能是使用带有反向引用的捕获组并在替换中使用它。

((\w+)(?: \2){2})(?: \2)*

说明

• (捕获组 1
  • (\w+)捕获组 2，匹配 1+ 个单词字符(示例数据仅使用单词字符。为确保它们不是较大单词的一部分，请使用单词边界 \b )
  • (?: \2){2}重复 2 次，匹配一个空格和对组 2 的反向引用。您可以使用 [ \t]+ 而不是单个空格。匹配 1+ 个空格或制表符或使用 \s+匹配 1 个以上空白字符。 (请注意，这也会匹配换行符)
• )关闭第 1 组
• (?: \2)*匹配 0+ 次空格和对第 2 组的反向引用，以匹配要删除的相同单词

Regex demo | Python demo

例如

import re

regex = r"((\w+)(?: \2){2})(?: \2)*"
s = "ok ok, it is very very very very very hard"
result = re.sub(regex, r"\1", s)

if result:
    print (result)

结果

ok ok, it is very very very hard