python - 正则表达式删除多行字符串中的重复短语

Question

问题是什么:

我有一个多行文本，例如:

1: This is test string for my app. d
2: This is test string for my app.
3: This is test string for my app. abcd
4: This is test string for my app.
5: This is test string for my app.
6: This is test string for my app.
7: This is test string for my app. d
8: This is test string for my app.
9: This is test string for my app.
10: This is another string.

这里的行号只是为了更好的可视化，它们不是文本本身的一部分。

我尝试过的:

我尝试了两种不同的正则表达式(标志始终是:i g 和 m):

^([^\r\n]*)$(.*?)(?:(?:\r?\n|\r)\1)+$

请看这里:regexr.com/5nklg

和

^(.*)(?:\r?\n|\r)(?=[\s\S]*^\1$)

请看这里:regexr.com/5nkla

它们都产生不同的输出，都很好，但并不完美。

我想达到的目标:

删除文本中所有重复的短语，但保留一个。例如，这里保留第一个“这是我的应用程序的测试字符串”。从第 1 行开始，在第 2 - 9 行匹配相同的短语并保留数字 10。

如果我可以保留最后一个而不是第一个匹配短语，它对我也有用。所以这里是匹配行 1 - 8，保留 9 和 10。

有没有办法用正则表达式做到这一点？

仅供引用:稍后我将在 python 中使用正则表达式来分出重复项:

re.sub(r"^(.*)(?:\r?\n|\r)(?=[\s\S]*^\1$)", "", my_text, flags=re.MULTILINE)

编辑:“短语”意味着让我们说 3 个或更多单词。所以匹配任何超过 2 个单词的重复。所以第一个 sub 之后的预期输出是:

This is test string for my app. d  //from line 1
This is test string for my app.    //from line 2
abcd                               //from line 3
This is another string.            //from line 10

提前致谢!

Answer 1

你可以使用

re.sub(r'^(([^\n\r.]*).*)(?:(?:\r?\n|\r)\2.*)*', r'\1', my_text, flags=re.M)

参见 regex demo .

详细信息:

• ^ - 行的开始(因为使用了 re.M 选项，^ 现在匹配行的开始位置)
• (([^\n\r.]*).*) - 第 1 组:除点之外的零个或多个字符，CR 和 LF 捕获到第 2 组，然后是其余字符行的
• (?:(?:\r?\n|\r)\2.*)* - 零个或多个序列
  • (?:\r?\n|\r) - CRLF、CR 或 LF 行结尾
  • \2 - 与第 2 组中的文本相同
  • .* - 该行的其余部分。

替换为第 1 组值。