用于查找重复单词“\\b(\\w+)(\\s+\\1\\b)+”的 Java 正则表达式问题

Question

我最近正在解决一个问题，以删除字符串中的重复单词，即“我很好”变成“我很好”。但我注意到一些奇怪的事情，正则表达式适用于所有不同的情况，除了一种情况，我不明白为什么。

这是我的代码：

        String regex = "\\b(\\w+)(\\s+\\1\\b)+";
        Pattern p = Pattern.compile(regex, Pattern.CASE_INSENSITIVE);

        String input = "INPUT";

        Matcher m = p.matcher(input);

        // Check for subsequences of input that match the compiled pattern
        while (m.find()) {
            input = input.replaceAll(m.group(), m.group(1));
        }

        // Prints the modified sentence.
        System.out.println(input);

现在一旦给出INPUT：

我是凌晨 2 点，凌晨 1 点是个好人

输出：

我凌晨 2 点凌晨 1 点是个好人

仍然有两个重复的“am”。 现在如果 INPUT 是：

我是凌晨 2 点，凌晨 1 点，我是个好人

输出：

我凌晨 2 点凌晨 1 点是个好人

没有重复的“am”

我不知道为什么会这样，有人可以帮忙吗？

Answer 1

你想多了。

所有代码都可以替换为：

System.out.println(input.replaceAll("(?i)\\b(\\w+)(\\s+\\1\\b)+", "$1"));

用捕获组 1 替换匹配的文本。

---

无论如何，这是最优解。由于您似乎想要解释为什么您的代码失败了，这里是：

如果您对代码进行了调试，那么它失败的原因就很明显了。

在代码中添加 3 个打印语句会显示问题：

while (m.find()) {
    System.out.printf("group() = \"%s\", group(1) = \"%s\"%n", m.group(), m.group(1));
    System.out.printf("  input (before) = \"%s\"%n", input);
    input = input.replaceAll(m.group(), m.group(1));
    System.out.printf("  input (after) = \"%s\"%n", input);
}

输出

group() = "am am", group(1) = "am"
  input (before) = "i am am 2 am am am 1 am a good man"
  input (after) = "i am 2 am am 1 am a good man"
group() = "am am am", group(1) = "am"
  input (before) = "i am 2 am am 1 am a good man"
  input (after) = "i am 2 am am 1 am a good man"

如您所见，问题在于第二个匹配项仍然与 原始 输入匹配，匹配 am am am，但对 replaceAll() 的第一次调用已删除那些 am的。

修复代码的一种方法是调用replaceFirst() 而不是replaceAll()，使其尽可能接近您所拥有的。您还应该引用这些值，因为这两种方法都将正则表达式作为参数。

while (m.find()) {
    input = input.replaceFirst(Pattern.quote(m.group()), Matcher.quoteReplacement(m.group(1)));
}

Answer 2

不是这样的。

一方面，当您执行Matcher m = p.matcher(input); 时，Matcher 将应用于input 对象这是一个不可变字符串。

你可能会认为，当你重新分配它时，你正在改变它

input = input.replaceAll(m.group(), m.group(1));

但是，不，您只是让input 变量引用一个新字符串。但是匹配器仍然使用旧字符串。

要对此进行测试，请添加调试行，并替换为更改后的字符串：

   while (m.find()) {
      System.out.println("input=[" + input +"] group=[" + m.group()  +"] group(1)=["+m.group(1)+"]");
       input = input.replaceAll(m.group(), m.group(1) + "x");
   }

这会产生：

input=[i am am 2 am am am 1 am am a good man] group=[am am] group(1)=[am]
input=[i amx 2 amx am 1 amx a good man] group=[am am am] group(1)=[am]
input=[i amx 2 amx am 1 amx a good man] group=[am am] group(1)=[am]
i amx 2 amx am 1 amx a good man

看看，尽管有 ìnputvariable having (after the first loop) noam am` 子字符串，匹配器仍能找到它们。

本着您的方法的精神（有更优雅或更高效的方法），可能是一种修复

   while( true ) {
      Matcher m = p.matcher(input);
      if(!m.find()) break;
      input = input.replaceAll(m.group(), m.group(1) );
   }

或者简单一点：

   while( true ) {
      String modif = input.replaceAll("\\b(\\w+)(\\s+\\1\\b)", "$1");
      if(modif.equals(input)) break;
      input = modif;
   }