最短重复子串答案

【问题标题】：Shortest Repeating Sub-String最短重复子串
【发布时间】：2012-01-27 20:56:27
【问题描述】：

我正在寻找一种有效的方法来提取最短的重复子字符串。例如：

input1 = 'dabcdbcdbcdd'
ouput1 = 'bcd'

input2 = 'cbabababac'
output2 = 'ba'

我将不胜感激任何与该问题相关的答案或信息。

另外，在this post，人们建议我们可以使用像这样的正则表达式

re=^(.*?)\1+$

在字符串中找到最小的重复模式。但是这样的表达式在 Python 中不起作用并且总是返回一个不匹配的结果（我是 Python 新手，也许我错过了什么？）。

---跟进---

这里的标准是寻找长度大于一且总长度最长的最短非重叠模式。

【问题讨论】：

【解决方案1】：

这种模式的快速修复可能是

(.+?)\1+

您的正则表达式失败，因为它将重复字符串锚定到行的开头和结尾，只允许像 abcabcabc 这样的字符串，但不允许 xabcabcabcx。此外，重复字符串的最小长度应该是 1，而不是 0（或者任何字符串都会匹配），因此 .+? 而不是 .*?。

在 Python 中：

>>> import re
>>> r = re.compile(r"(.+?)\1+")
>>> r.findall("cbabababac")
['ba']
>>> r.findall("dabcdbcdbcdd")
['bcd']

但请注意，此正则表达式只会找到不重叠的重复匹配项，因此在最后一个示例中，将找不到解决方案 d 尽管这是最短的重复字符串。或者看这个例子：这里找不到abcd，因为第一个abcd的abc部分已经在第一场比赛中用完了）：

>>> r.findall("abcabcdabcd")
['abc']

此外，它可能会返回多个匹配项，因此您需要在第二步中找到最短的一个：

>>> r.findall("abcdabcdabcabc")
['abcd', 'abc']

更好的解决方案：

要让引擎也能找到重叠匹配，请使用

(.+?)(?=\1)

这将找到一些字符串两次或更多，如果它们重复足够多次，但它肯定会找到所有可能的重复子字符串：

>>> r = re.compile(r"(.+?)(?=\1)")
>>> r.findall("dabcdbcdbcdd")
['bcd', 'bcd', 'd']

因此，应该按长度对结果进行排序，返回最短的一个：

>>> min(r.findall("dabcdbcdbcdd") or [""], key=len)
'd'

or [""]（感谢 J. F. Sebastian！）确保在根本没有匹配项时不会触发 ValueError。

【讨论】：

【解决方案2】：

^ 匹配字符串的开头。在您的示例中，重复的子字符串不是从头开始的。 $ 类似。如果没有^ 和$，模式.*? 总是匹配空字符串。 Demo:

import re

def srp(s):
    return re.search(r'(.+?)\1+', s).group(1)

print srp('dabcdbcdbcdd') # -> bcd
print srp('cbabababac')   # -> ba

虽然它没有找到最短的子串。

【讨论】：