我需要在字符串中找到最长的序列，并注意该序列必须重复三次或更多次。因此，例如，如果我的字符串是：
fdwaw4helloworldvcdv1c3xcv3xcz1sda21f2sd1ahelloworldgafgfa4564534321fadghelloworld
那么我希望返回值“helloworld”。
我知道有几种方法可以做到这一点，但我面临的问题是实际的字符串非常大，所以我真的在寻找一种可以及时完成的方法。
【问题讨论】：
标签： python regex string algorithm
这个问题是longest repeated substring problem 的一个变体，并且有一个使用suffix trees 的O(n) 时间算法来解决它。这个想法（正如维基百科所建议的）是构建一个后缀树（时间 O(n)），用后代的数量（时间 O(n) 使用 DFS）注释树中的所有节点，然后找到具有至少三个后代的树中最深的节点（使用 DFS 的时间 O(n)）。这个整体算法需要时间 O(n)。
也就是说，众所周知，后缀树很难构建，因此在尝试此实现之前，您可能希望找到一个为您实现后缀树的 Python 库。一个快速的谷歌搜索出现了this library，虽然我不确定这是否是一个好的实现。
另一种选择是将suffix arrays 与LCP arrays 结合使用。您可以迭代 LCP 数组中的相邻元素对，取每对元素中的最小值，然后存储您以这种方式找到的最大数字。这将对应于重复至少 3 次的最长字符串的长度，然后您可以从那里读取字符串本身。
有几种简单的算法可用于构建后缀数组（Manber-Myers 算法在 O(n log n) 时间内运行，并且编写起来并不难），而 Kasai 的算法在 O(n) 时间内构建 LCP 数组并且编码起来相当简单。
希望这会有所帮助！
【讨论】：
想到的第一个想法是使用逐渐变大的正则表达式进行搜索：
import re
text = 'fdwaw4helloworldvcdv1c3xcv3xcz1sda21f2sd1ahelloworldgafgfa4564534321fadghelloworld'
largest = ''
i = 1
while 1:
m = re.search("(" + ("\w" * i) + ").*\\1.*\\1", text)
if not m:
break
largest = m.group(1)
i += 1
print largest # helloworld
代码运行成功。时间复杂度似乎至少为 O(n^2)。
【讨论】：
banana。答案应该是ana 2 times
让我们从头开始，统计频率，一旦出现频率最高的元素出现 3 次或更多次就停止。
from collections import Counter
a='fdwaw4helloworldvcdv1c3xcv3xcz1sda21f2sd1ahelloworldgafgfa4564534321fadghelloworld'
times=3
for n in range(1,len(a)/times+1)[::-1]:
substrings=[a[i:i+n] for i in range(len(a)-n+1)]
freqs=Counter(substrings)
if freqs.most_common(1)[0][1]>=3:
seq=freqs.most_common(1)[0][0]
break
print "sequence '%s' of length %s occurs %s or more times"%(seq,n,times)
结果：
>>> sequence 'helloworld' of length 10 occurs 3 or more times
编辑：如果你觉得你正在处理随机输入并且公共子串应该是小长度的，你最好从小子串开始（如果你需要速度）然后停止当您找不到至少出现 3 次的内容时：
from collections import Counter
a='fdwaw4helloworldvcdv1c3xcv3xcz1sda21f2sd1ahelloworldgafgfa4564534321fadghelloworld'
times=3
for n in range(1,len(a)/times+1):
substrings=[a[i:i+n] for i in range(len(a)-n+1)]
freqs=Counter(substrings)
if freqs.most_common(1)[0][1]<3:
n-=1
break
else:
seq=freqs.most_common(1)[0][0]
print "sequence '%s' of length %s occurs %s or more times"%(seq,n,times)
结果和上面一样。
【讨论】：
M=len(a)/N 开始（其中 N 是最小的次数），并计算每个的次数。如果没有子串的出现次数 >= N，则从 M 中减去 1 并重试。是吗？
使用 defaultdict 计算从输入字符串中每个位置开始的每个子字符串。 OP 不清楚是否应该包括重叠匹配，这种蛮力方法包括它们。
from collections import defaultdict
def getsubs(loc, s):
substr = s[loc:]
i = -1
while(substr):
yield substr
substr = s[loc:i]
i -= 1
def longestRepetitiveSubstring(r, minocc=3):
occ = defaultdict(int)
# tally all occurrences of all substrings
for i in range(len(r)):
for sub in getsubs(i,r):
occ[sub] += 1
# filter out all substrings with fewer than minocc occurrences
occ_minocc = [k for k,v in occ.items() if v >= minocc]
if occ_minocc:
maxkey = max(occ_minocc, key=len)
return maxkey, occ[maxkey]
else:
raise ValueError("no repetitions of any substring of '%s' with %d or more occurrences" % (r,minocc))
打印：
('helloworld', 3)
【讨论】：
如果您反转输入字符串，则将其提供给像(.+)(?:.*\1){2}这样的正则表达式
它应该为您提供重复 3 次的最长字符串。 （反向捕获组1为答案）
编辑：
我不得不说取消这种方式。这取决于第一场比赛。除非它针对当前长度与迄今为止的最大长度进行测试，否则在迭代循环中，正则表达式不适用于此。
【讨论】：
from collections import Counter
def Longest(string):
b = []
le = []
for i in set(string):
for j in range(Counter(string)[i]+1):
b.append(i* (j+1))
for i in b:
if i in string:
le.append(i)
return ([s for s in le if len(s)==len(max( le , key = len))])
【讨论】：