正则表达式：查找在我的文档中恰好出现一次的每个单词

Question

尝试学习正则表达式。作为一种实践，我试图找到在我的文档中恰好出现一次的每个单词——在语言学中，这是一个 hapax legemenon (http://en.wikipedia.org/wiki/Hapax_legomenon)

所以我认为下面的表达式给了我想要的结果：

\w{1}

但这不起作用。 \w 返回一个字符而不是整个单词。此外，它似乎并没有给我只出现一次的字符（它实际上返回 25873 个匹配项——我假设它们都是字母数字字符）。谁能给我一个例子，说明如何用正则表达式找到“hapax legemenon”？

Answer 1

如果您尝试将此作为学习练习，那么您选择了一个非常难的问题:)

首先，解决方法如下：

\b(\w+)\b(?<!\b\1\b.*\b\1\b)(?!.*\b\1\b)

现在，解释如下：

• 我们想匹配一个词。这是\b\w+\b - 一个或多个 (+) 单词字符 (\w) 的运行，两边都有一个“断字” (\b)。单词字符和非单词字符之间会发生断字，因此这将匹配（例如）单词字符和空格之间，或字符串的开头和结尾。我们还使用括号 ((...)) 将单词捕获到反向引用中。这意味着我们可以稍后参考比赛本身。

• 接下来，我们要排除这个词已经出现在字符串中的可能性。这是通过使用消极的后视 - (?<! ... ) 来完成的。如果其内容与字符串匹配，则否定的后向 不匹配。因此，如果我们匹配的单词已经出现，我们想不匹配。我们通过对已经捕获的单词使用反向引用 (\1) 来做到这一点。这里的最终匹配是 \b\1\b.*\b\1\b - 当前匹配的两个副本，由任意数量的字符串 (.*) 分隔。

• 最后，如果字符串的其余部分中的任何位置存在该单词的另一个副本，我们不希望匹配。我们通过使用否定前瞻 - (?! ... ) 来做到这一点。如果它们的内容在字符串中的这一点匹配，则负前瞻不匹配。我们想在任意数量的字符串之后匹配当前单词，所以我们使用 (.*\b\1\b)。

这是一个示例（使用 C#）：

var s = "goat goat leopard bird leopard horse";

foreach (Match m in Regex.Matches(s, @"\b(\w+)\b(?<!\b\1\b.*\b\1\b)(?!.*\b\1\b)"))
    Console.WriteLine(m.Value);

输出：

bird
horse

Answer 2

如果您的正则表达式引擎支持后向断言中的无限重复（例如 .NET），则可以在单个正则表达式中完成：

Regex regexObj = new Regex(
    @"(       # Match and capture into backreference no. 1:
     \b       # (from the start of the word)
     \p{L}+   # a succession of letters
     \b       # (to the end of a word).
    )         # End of capturing group.
    (?<=      # Now assert that the preceding text contains:
     ^        # (from the start of the string)
     (?:      # (Start of non-capturing group)
      (?!     #  Assert that we can't match...
       \b\1\b #  the word we've just matched.
      )       #  (End of lookahead assertion)
      .       #  Then match any character.
     )*       # Repeat until...
     \1       # we reach the word we've just matched.
    )         # End of lookbehind assertion.
    # We now know that we have just matched the first instance of that word.
    (?=       # Now look ahead to assert that we can match the following:
     (?:      # (Start of non-capturing group)
      (?!     #  Assert that we can't match again...
       \b\1\b #  the word we've just matched.
      )       #  (End of lookahead assertion)
      .       #  Then match any character.
     )*       # Repeat until...
     $        # the end of the string.
    )         # End of lookahead assertion.", 
    RegexOptions.Singleline | RegexOptions.IgnorePatternWhitespace);
Match matchResults = regexObj.Match(subjectString);
while (matchResults.Success) {
    // matched text: matchResults.Value
    // match start: matchResults.Index
    // match length: matchResults.Length
    matchResults = matchResults.NextMatch();
} 

Answer 3

如果你想匹配一个英文单词，最好的形式是：

[a-zA-Z]+

\w 的问题在于它还包含_ 和数字数字0-9。

如果您需要包含其他字符，您可以在Z 之后、] 之前附加它们。或者，您可能需要先规范化输入文本。

现在，如果您想计算所有单词的数量，或者只想查看不多次出现的单词，则无法使用单个正则表达式来实现。您需要花一些时间来编写更复杂的逻辑。它可能非常需要数据库或某种内存结构的支持来跟踪计数。解析并统计整个文本后，您可以搜索计数为1 的单词。

Answer 4

(\w+){1} 将匹配每个单词。 之后，您总是可以对比赛进行计数....

Answer 5

更高层次的解决方案：

创建一个匹配数组：

preg_match_all("/([a-zA-Z]+)/", $text, $matches, PREG_PATTERN_ORDER);

让 PHP 计算你的数组元素：

$tmp_array = array_count_values($matches[1]);

遍历 tmp 数组并检查字数：

foreach ($tmp_array as $word => $count) {
    echo $word . '  ' . $count;
}

Answer 6

低级，但为所欲为：

使用 split 将文本传递到数组中：

$array = split('\s+', $text);

遍历该数组：

foreach ($array as $word) { ... }

检查每个单词是否是单词：

if (!preg_match('/[^a-zA-Z]/', $word) continue;

将单词作为键添加到临时数组中：

if (!$tmp_array[$word]) $tmp_array[$word] = 0;
$tmp_array[$word]++;

循环之后。遍历 tmp 数组并检查字数：

foreach ($tmp_array as $word => $count) {
    echo $word . '  ' . $count;
}