使用正则表达式查找字符相同或不同的单词答案

【问题标题】：Using Regex to find words with characters that are the same or that are different使用正则表达式查找字符相同或不同的单词
【发布时间】：2012-05-11 07:01:38
【问题描述】：

我有一个单词列表，例如：

l = """abca
bcab
aaba
cccc
cbac
babb
"""

我想找到首尾相同的单词，并且中间的两个字符与首尾不同。

想要的最终结果：

['abca', 'bcab', 'cbac']

我试过了：

re.findall('^(.)..\\1$', l, re.MULTILINE)

但它也会返回所有不需要的单词。我想以某种方式使用 [^...] ，但我想不通。有一种方法可以使用集合（从上面的搜索中过滤结果），但我正在寻找一个正则表达式。

有可能吗？

【问题讨论】：

".*" 是一个很好的正则表达式，用于查找相同或不同的字符。 :)
您有七个答案，所有这些都回答了您的问题（尽管其中两个说“这比正则表达式更好”，我倾向于同意）。你应该接受其中之一。

标签： python regex

【解决方案1】：

编辑： 修正为使用否定的lookahead 断言而不是否定的lookbehind 断言。阅读 cmets 以获得 @AlanMoore 和 @bukzor 的解释。

>>> [s for s in l.splitlines() if re.search(r'^(.)(?!\1).(?!\1).\1$', s)]
['abca', 'bcab', 'cbac']

该解决方案使用负前瞻断言，这意味着“仅当当前位置后面没有匹配其他内容时才匹配当前位置。”现在，看看前瞻断言 - (?!\1)。这意味着“仅当当前字符后面没有第一个字符时才匹配当前字符。”

【讨论】：

你应该解释一下这是做什么的，因为不是每个人都知道正则表达式环视语义。
spinlok：您似乎在断言第一组与 \1 不匹配，这似乎是不可能的：(.)(?<!\1)。我相信您的意思是使用否定的 look-ahead 断言(?!)，无论如何这更有效。
事实上，反向引用在lookbehinds中是非法的。你真的测试过这个吗？但是@bukzor 是对的，如果您将后视更改为前瞻，它就可以工作。
不是特别的，但是正则表达式引擎必须将反向引用视为可变长度的结构，这意味着它们不能用于lookbehinds（当然，.NET 和 JGSoft 除外）。 Python 应该在编译正则表达式时将其标记为错误；正如here所讨论的那样，它不是一个错误。
顺便说一句，那些后视不应该像这样在点之后出现吗？ @ 987654326@ 以您的方式，第一个后视似乎断言捕获组与它刚刚匹配的组并不真正匹配。 ;) 无论如何，我已经在几个基于 Python 的在线正则表达式测试器中尝试了您的正则表达式，但它在其中任何一个中都不起作用。

【解决方案2】：

有很多方法可以做到这一点。这可能是最简单的：

re.findall(r'''
           \b          #The beginning of a word (a word boundary)
           ([a-z])     #One letter
           (?!\w*\1\B) #The rest of this word may not contain the starting letter except at the end of the word
           [a-z]*      #Any number of other letters
           \1          #The starting letter we captured in step 2
           \b          #The end of the word (another word boundary)
           ''', l, re.IGNORECASE | re.VERBOSE)

如果您愿意，可以通过将[a-z] 替换为\w 来稍微放宽要求。这将允许数字和下划线以及字母。您还可以通过将模式中的最后一个 * 更改为 {2} 来将其限制为 4 个字符的单词。

另外请注意，我对 Python 不是很熟悉，所以我假设您对 findall 的使用是正确的。

【讨论】：

-1 OP 已经尝试过类似的方法，但发现它不够；您错过了中间字母不与开头/结尾匹配的要求。
@KarlKnechtel - 你说得对，我确实错过了那部分。我的错。我已经编辑了模式来解决这个问题。
你可以通过展示 re.VERBOSE 标志来为他服务。这也会使你的答案更短。
@bukzor - 好电话。正如我所说，我对 Python 不太熟悉，所以如果我的语法有误，请告诉我。

【解决方案3】：

您需要使用正则表达式吗？这是一种更 Pythonic 的方式来做同样的事情：

l = """abca
bcab
aaba
cccc
cbac
babb
"""

for word in l.split():
  if word[-1] == word[0] and word[0] not in word[1:-1]:
     print word

【讨论】：

【解决方案4】：

我会这样做：

result = re.findall(r"\b([a-z])(?:(?!\1)[a-z]){2}\1\b", subject)

这与贾斯汀的回答类似，除了其中一个进行一次性前瞻，这个在每个字母被消耗时检查它。

\b
([a-z])  # Capture the first letter.
(?:
  (?!\1)   # Unless it's the same as the first letter...
  [a-z]    # ...consume another letter.
){2}
\1
\b

我不知道你的真实数据是什么样子的，所以随意选择了[a-z]，因为它适用于你的示例数据。出于同样的原因，我将长度限制为四个字符。与贾斯汀的回答一样，您可能希望将 {2} 更改为 *、+ 或其他一些量词。

【讨论】：

这是一个有趣的转折。 +1。除了清晰/简洁之外，您还有什么更喜欢这个版本的原因？

【解决方案5】：

用正则表达式来解决问题。

[
    word
    for word in words.split('\n')
    if word[0] == word[-1]
    and word[0] not in word[1:-1]
]

【讨论】：

any() 有点矫枉过正。 word[0] in word[1:-1] 效果一样。
呃，是的，让我解决这个问题，这很愚蠢。简单胜于复杂:)

【解决方案6】：

您可以使用否定的lookahead 或lookbehind 断言来做到这一点；详情请见http://docs.python.org/library/re.html。

【讨论】：

【解决方案7】：

不是 Python 大师，但也许是这个

re.findall('^(.)(?:(?!\1).)*\1$', l, re.MULTILINE)

扩展（使用多行修饰符）：

^                # begin of line
  (.)            # capture grp 1, any char except newline
  (?:            # grouping
     (?!\1)         # Lookahead assertion, not what was in capture group 1 (backref to 1)
     .              # this is ok, grab any char except newline
  )*             # end grouping, do 0 or more times (could force length with {2} instead of *)
  \1             # backref to group 1, this character must be the same
$                # end of line

【讨论】：