regex - 如何通过正则表达式识别 "text"单词？

Question

什么 perl 正则表达式匹配以下文件名中的“单词”？

我有一系列文件名，其中有些单词出现不止一次:

john_smith_on_alaska_trip_john_smith_0001.jpg

他妻子的名字是 Olga，在 o 上有一个变音符号，还有一些其他名字带有变音符号；全部小写，在我的情况下，但不仅仅是英语 a-z。由于其他原因，.jpg 已被暂时删除，在本次讨论中可能会被忽略。

我想删除重复的名称/单词。类似这样的东西在 emacs 中运行良好:

s/(\b\w{3,}\b)(.*)(\b\1\b)/\1\2/

运行一次，上面变成:john_smith_on_alaska_trip__smith_0001.jpg

同样:john_smith_on_alaska_trip___0001.jpg

在 Perl 中，这不起作用，因为 \w 包含 _ 作为单词字符。更糟糕的是 - anchor \b 不是那些字符，因此不会在 _ 上分开。

我目前的解决方案是将所有 _ 替换为 ，执行操作，然后还原。但是，这似乎是一个基本要求，我觉得我一定遗漏了一些东西。

谢谢。

Answer 1

使用 Character Class \p{Alpha}和 Lookbehind and Lookahead assertions代替单词边界以确保每个单词都是一个完整的单词而不是子字符串:

use strict;
use warnings;

my $file = "john_smith_on_alaska_trip_john_smith_0001_johnsmith.jpg";

1 while $file =~ s{
    (?<!\p{Alpha}) ( \p{Alpha}++ )     # Word surrounded by non-word chars
    .* \K                              # Keep everything before this point
    (?<!\p{Alpha}) \1 (?!\p{Alpha})    # Strip duplicate word 
}{}x;

print "$file\n";

输出:

john_smith_on_alaska_trip___0001_johnsmith.jpg

Live Demo