匹配所有重复字母数字子模式的正则表达式

Question

找了一段时间，只找到了如何匹配特定的子模式重复。有没有办法找到任何子模式的（3 次或更多次）重复？例如：re.findall(<the_regex>, 'aaabbbxxx_aaabbbxxx_aaabbbxxx_')→ ['a', 'b', 'x', 'aaabbbxxx_']re.findall(<the_regex>, 'lalala luuluuluul')→ ['la', 'luu', 'uul']如果这是重复的，我会提前道歉，如果能被重定向到原始问题，我将不胜感激。

Answer 1

使用这种基于前瞻性的正则表达式，您可能无法完全按照所讨论的那样获得，但会非常接近。

r'(?=(.+)\1\1)'

代码：

>>> reg = re.compile(r'(?=(.+)\1\1)')

>>> reg.findall('aaabbbxxx_aaabbbxxx_aaabbbxxx_')

['aaabbbxxx_', 'b', 'x', 'a', 'b', 'x', 'a', 'b', 'x']

>>> reg.findall('lalala luuluuluul')

['la', 'luu', 'uul']

正则表达式详细信息：

由于我们将前瞻用作完整的正则表达式，因此我们并没有真正消耗字符，因为前瞻是零宽度匹配。这允许我们从输入中返回重叠的匹配项。

使用findall我们只返回正则表达式中的捕获组。

• (?=: 开始前瞻

  • (.+)：匹配 1 个或多个任意字符（贪心）并在组 #1 中捕获

  • \1\1: 使用反向引用匹配第 1 组的第 2 次出现\1\1

• ): 结束前瞻

Answer 2

re.findall()不会找到重叠的匹配项。但是您可以使用捕获组找到非重叠匹配，然后使用与该组的反向引用相匹配的正前瞻。

>>> import re

>>> regex = r'(.+)(?=\1{2})'

>>> re.findall(regex, 'aaabbbxxx_aaabbbxxx_aaabbbxxx_')

['aaabbbxxx_', 'a', 'b', 'x', 'a', 'b', 'x']

>>> re.findall(regex, 'lalala luuluuluul')

['la', 'luu']

>>> 

这将找到最长的匹配；如果您更改(.+)为，(.+?)您将在每个点获得最短的匹配项。

>>> regex = r'(.+?)(?=\1{2})'

>>> re.findall(regex, 'aaabbbxxx_aaabbbxxx_aaabbbxxx_')

['a', 'b', 'x', 'a', 'b', 'x', 'a', 'b', 'x']

Answer 3

不先定义子模式是不可能的。

无论如何，如果子模式只是 <any_alphanumeric>，那么re.findall(<the_regex>, 'aaabbbxxx_aaabbbxxx_aaabbbxxx_')会产生如下内容：

['a', 'b', 'x', 'aa', 'ab', 'bb', 'bx', 'xx', 'x_', 'aaa', 'aaab', 'aaabb', ....]

即，每个字母数字组合重复三次 - 所以有很多组合，而不仅仅是['a', 'b', 'x', 'aaabbbxxx_']