正则表达式匹配重复（未知）子字符串

Question

我试图在用户消息中找到“笑声”或类似的词，例如 hahaha、hihihi、hueheu。我目前的做法如下：

>>> substring_list = ['ha', 'ah', 'he', 'eh', 'hi', 'ih', 'ho', 'hu', 'hue']
>>> pattern_core = '|'.join(substring_list)
>>> self.regex_pattern = re.compile(r'\b[a-z]*(' + pattern_core + r'){2,}[a-z]*\b', re.IGNORECASE)

[a-z]* 允许在拼写错误方面留有余地（例如，ahhahah）。原则上，这工作得相当好。问题在于它需要在substring_list 需要更新以匹配新形式的“笑声”的意义上进行维护（例如，添加xi）；各国之间的“笑声”似乎差异很大。

现在我想知道是否可以在不知道单个模式的情况下以某种方式根据重复模式（大小为 2-4）找到单词。例如，hurrhurr 包含 hurr 作为重复模式。在理想情况下，我可以 (a) 匹配 hurrhurr 并 (b) 识别核心模式 hurr。我不知道这是否可以使用正则表达式。

Answer 1

这个正则表达式会做到这一点：

\b[a-z]*?([a-z]{2,}?)\1+[a-z]*?\b

用法：

self.regex_pattern = re.compile(r'\b[a-z]*?([a-z]{2,}?)\1+[a-z]*?\b', re.IGNORECASE)

Here's a working demo.

要点与您所做的相似，但“核心”不同。正则表达式的核心是这一块：

([a-z]{2,}?)\1+

逻辑是找到一个由 2 个或多个字母组成的组，然后再匹配同一组 (\1) 一次或多次。

Answer 2

在理想情况下，我可以 (a) 匹配 hurrhurr 并且 (b) 识别核心 模式快点。我不知道这是否可以使用正则表达式。

import re

string = """hahaha, huehue, heehee, 
            axaxaxax, x the theme, ------, hhxhhxhhx, 
            bananas, if I imagine, HahHaH"""

pattern = r"""
    (
        \b               #Match a word boundary...

        ( 
            [a-z]{2,}?   #Followed by a letter, 2 or more times, non-greedy...
        )                #Captured in group 2,        

        \2+              #Followed by whatever matched group 2, one or more times...

        \b               #Followed by a word boundary.
    )                    #Capture in group 1.
"""

results = re.findall(pattern, string, re.X|re.I)
print(results)

--output:--
[('hahaha', 'ha'), ('huehue', 'hue'), ('heehee', 'hee'), ('axaxaxax', 'ax'), ('hhxhhxhhx', 'hhx'), ('HahHaH', 'Hah')]