在 RegEx 中，如何找到包含不超过 3 个唯一字符的行？答案

【问题标题】：In RegEx, how do you find a line that contains no more than 3 unique characters?在 RegEx 中，如何找到包含不超过 3 个唯一字符的行？
【发布时间】：2010-11-27 23:38:54
【问题描述】：

我正在循环浏览一个大文本文件，并寻找包含不超过 3 个不同字符的行（但是，这些字符可以无限重复）。我假设最好的方法是使用某种正则表达式。

感谢所有帮助。

（我正在用 PHP 编写脚本，如果有帮助的话）

【问题讨论】：

哇，感谢所有建议。我无法告诉你我对帮助的感激之情。

标签： php regex search string find

【解决方案1】：

儿童正则表达式优化有趣的时间练习！以gnarf的正则表达式为起点：

^(.)\1*(.)?(?:\1*\2*)*(.)?(?:\1*\2*\3*)*$

我注意到这里有嵌套和连续的 *s，这会导致很多回溯。例如，在“abcaaax”中，它将尝试将最后一个字符串“a”匹配为长度为 3 的单个 \1*、长度为 2 的 \1* 后跟单个 \1、\1 后跟 2 长度\1*，或三个单匹配 \1。当你有更长的字符串时，这个问题会变得更糟，特别是当由于正则表达式没有什么可以阻止 \1 与 \2 相同的字符时。

^(.)\1*(.)?(?:\1|\2)*(.)?(?:\1|\2|\3)*$

这是在 Python 的 PCRE 匹配器上测试的原始速度的两倍多。（这比在 PHP 中设置要快，抱歉。）

这仍然有一个问题，(.)? 无法匹配任何内容，然后继续进行其余的匹配。 \1|\2 仍将匹配 \1 即使没有匹配的 \2，这会导致潜在的回溯尝试在无法匹配时更早地引入 \1|\2 和 \1|\2|\3 子句。这可以通过在整个尾随子句周围移动 ? 可选性来解决：

^(.)\1*(?:(.)(?:\1|\2)*(?:(.)(?:\1|\2|\3)*)?)?$

这又是原来的两倍。

还有一个潜在的问题是 \1、\2 和 \3 中的任何一个都可以是同一个字符，当表达式不匹配时可能会导致更多的回溯。这将通过使用否定前瞻来阻止它与前一个字符不匹配：

^(.)\1*(?:(?!\1)(.)(?:\1|\2)*(?:(?!\1|\2)(.)(?:\1|\2|\3)*)?)?$

但是在 Python 中使用我的随机测试数据，我并没有注意到由此带来的显着加速。根据测试数据，您在 PHP 中的表现可能会有所不同，但它可能已经足够好了。如果在此处可用，所有格匹配 (*+) 可能会有所帮助。

没有任何正则表达式比更易于阅读的 Python 替代方法表现更好：

len(set(s))<=3

PHP 中的类似方法可能是count_chars:

strlen(count_chars($s, 3))<=3

我还没有测试过速度，但我非常希望它比正则表达式更快，而且更易读。

所以基本上我只是完全浪费时间摆弄正则表达式。不要浪费你的时间，在使用正则表达式之前先寻找简单的字符串方法！

【讨论】：

【解决方案2】：

冒着被否决的风险，我建议正则表达式不适用于处理这种情况。

您可以匹配一个字符或一组字符，但您不能让它记住已经找到一组字符以排除进一步匹配的字符。

我建议您保留一个字符集，在开始新行之前将其重置，并在越行时添加元素。一旦集合中的元素数超过 3，就删除当前行并继续下一行。

【讨论】：

正则表达式并不真正适用于它们习惯的许多情况，不过这个是正则表达式。 RegExp 构建用于解析字符串的确定性状态机，给定反向引用，它们可以记住匹配的字符。当正则表达式引擎可以为您处理时，为什么还要花时间编写自己的字符串解析状态机？
@gnaft：正则表达式会变得复杂且不可读，而代码会很清晰。例如，在 ruby 中：“line_string.chars.to_a.uniq.length

【解决方案3】：

也许这会起作用：

preg_match("/^(.)\\1*(.)?(?:\\1*\\2*)*(.)?(?:\\1*\\2*\\3*)*$/", $string, $matches);
// aaaaa:Pass
// abababcaaabac:Pass
// aaadsdsdads:Pass
// aasasasassa:Pass
// aasdasdsadfasf:Fail

说明：

/
 ^                 #start of string
 (.)               #match any character in group 1
 \\1*              #match whatever group 1 was 0 or more times
 (.)?              #match any character in group 2 (optional)
 (?:\\1*\\2*)*     #match group 1 or 2, 0 or more times, 0 or more times 
                   #(non-capture group)
 (.)?              #match any character in group 3 (optional)
 (?:\\1*\\2*\\3*)* #match group 1, 2 or 3, 0 or more times, 0 or more times
                   #(non-capture group)
 $                 #end of string
/

另一个好处，$matches[1], [2], [3] 将包含您想要的三个字符。正则表达式查找第一个字符，然后将其存储并匹配，直到找到该字符以外的其他字符，将其作为第二个字符捕获，尽可能多次匹配这些字符中的任何一个，捕获第三个字符，然后匹配所有三个，直到匹配失败或字符串结束并且测试通过。

编辑

由于解析引擎和回溯的工作方式，这个正则表达式会快得多，请阅读 bobince 的答案以获得解释：

/^(.)\\1*(?:(.)(?:\\1|\\2)*(?:(.)(?:\\1|\\2|\\3)*)?)?$/

【讨论】：

不错的一个！正则表达式可能不是最好的方法，但这是可行的，它为 OP 提供了一个具体的基础来决定是使用正则表达式还是其他一些技术。
仅供参考，我在一个较大的文件上尝试了所有这些正则表达式，并且您的原始正则表达式挂起。我通过在捕获组之后删除问号来使其工作，但性能并不是很令人印象深刻。但是当我在每个量词中添加'+' 以使它们具有所有格时，它的表现优于其他所有量词。

【解决方案4】：

对我来说 - 作为一名具备足够正则表达式知识的程序员，这听起来不像是一个只能使用 Regexp 解决的问题。

您更有可能需要构建一个 hashMap/array 数据结构 key: character value:count 并迭代大文本文件，为每一行重建映射。在每个新字符处检查已经遇到的字符数是否为 2，如果是，则跳过当前行。

但是如果一个疯狂的正则表达式黑客会想出一个解决方案，我会很惊讶。

【讨论】：