Python正則表達式匹配帶重複輔音的單詞

Question

首先，這是作業。 （我不能在標題中使用標籤，底部的標籤列表中沒有任何內容出現在作業中，所以請讓我知道是否應該編輯其他有關此問題的內容）。

所以我一直在閱讀python文檔和清理SO，發現幾個解決方案接近我想要的，但不是確切的。

我有我讀了一個字符串的字典：

a 
aa 
aabbaa 
... 
z 

我們在這練習的數據正則表達式的各種patters。 這裏的具體問題是返回匹配模式的單詞列表，而不是每個匹配組中的元組。

例如：

鑑於本字典一樣的一個子集：

someword 
sommmmmeword 
someworddddd 
sooooomeword 

我要回：

['sommmmmword', 'someworddddd'] 

NOT：

[('sommmmword', 'mmmmm', ...), ...] # or any other variant 

編輯：

我的推理背後的上述例子，是我想看看我可以如何避免第二次通過結果。這是不是說：

res = re.match(re.compile(r'pattern'), dictionary) 
return [r[0] for r in res] 

我特別想要一個機制，我可以只使用：

return re.match(re.compile(r'pattern'), dictionary) 

我知道這聽起來可能很傻，但我這樣做是爲了真正深入到正則表達式。我在底部提到這一點。

這是我曾嘗試：

# learned about back refs 
r'\b([b-z&&[^eiou]])\1+\b' -> # nothing 

# back refs were weird, I want to match something N times 
r'\b[b-z&&[^eiou]]{2}\b' -> # nothing 

某處在測試中，我發現一個模式返回之類的東西'\nsomeword'。我無法弄清楚它是什麼，但如果我再次找到該模式，我會在這裏包括它的完整性。

# Maybe the \b word markers don't work how I think? 
r'.*[b-z&&[^eiou]]{2}' -> # still nothing 

# Okay lets just try to match something in between anything 
r'.*[b-z&&[^eiou]].*' -> # nope 

# Since its words, maybe I should be more explicit. 
r'[a-z]*[b-z&&[^eiou]][a-z]*' -> # still nope 

# Decided to go back to grouping. 
r'([b-z&&[^eiou]])(\1)' # I realize set difference may be the issue 

# I saw someone (on SO) use set difference claiming it works 
# but I gave up on it... 

# OKAY getting close 
r'(([b-df-hj-np-tv-xz])(\2))' -> [('ll', 'l', 'l'), ...] 

# Trying the the previous ones without set difference 
r'\b(.*(?:[b-df-hj-np-tv-xz]{3}).*)\b' -> # returned everything (all words) 

# Here I realize I need a non-greedy leading pattern (.* -> .*?) 
r'\b(.*?(?:[b-df-hj-np-tv-xz]{3}).*)\b' -> # still everything 

# Maybe I need the comma in {3,} to get anything 3 or more 
r'\b(.*?(?:[b-df-hj-np-tv-xz]{3,}).*)\b' -> # still everything 

# okay I'll try a 1 line test just in case 
r'\b(.*?([b-df-hj-np-tv-xz])(\2{3,}).*)\b' 
    # Using 'asdfdffff' -> [('asdfdffff', 'f', 'fff')] 
    # Using dictionary -> [] # WAIT WHAT?! 

這最後一個是如何工作的？也許有沒有3+重複輔音字？我在我的學校服務器上使用了/usr/share/dict/cracklib-small，我認爲這個服務器大約有50,000個字。

我仍在努力，但任何建議都會很棒。

我覺得好奇的一件事是，你不能回引用一個非捕獲組。如果我只想輸出完整的單詞，我使用（？：...）來避免捕獲，但是我無法取回參考。很明顯，我可以離開捕捉，循環播放結果和過濾掉額外的東西，但我絕對想用只有正則表達式來解決這個問題！

也許有辦法做非捕獲，但仍然允許回參考？或者也許有一個完全不同的表達，我還沒有測試過。

Answer 1

這裏有幾點考慮：

1. 使用re.findall把所有的結果，而不是re.match（僅搜索1個匹配，只有在字符串的開始）。

2. [b-z&&[^eiou]]是Java/ICU正則表達式，Python re不支持此語法。在Python中，您可以重新定義範圍以跳過元音，或使用(?![eiou])[b-z]。
   

3. 爲避免元組中帶有re.findall,的元組中的「額外」值，請勿使用使用捕獲組。如果您需要反向引用，請使用re.finditer而不是re.findall並訪問每個匹配的.group()。

說回正題，你怎麼可以使用反向引用，仍然獲得了全場比賽，這裏是一個working demo：

import re 
s = """someword 
sommmmmeword 
someworddddd 
sooooomeword""" 
res =[x.group() for x in re.finditer(r"\w*([b-df-hj-np-tv-xz])\1\w*", s)] 
print(res) 
# => ['sommmmmeword', 'someworddddd']