正则表达式匹配'lol'到'lolllll'和'omg'到'omggg'等

Question

大家好，我很喜欢正则表达式，但我真的不太会用。

我有一份大约400个缩写词的列表，比如lol、omg、lmao等等。每当有人输入这些缩写词时，它们会被替换成对应的英文意思（比如[laughter]，或者类似的意思）。不过，人们总是喜欢把这些缩写的最后一个字母重复好几遍。

举个例子： omg 变成了 omgggg，lol 变成了 lollll，haha 变成了 hahahaha，lol 变成了 lololol。

我在想有没有人能给我一个正则表达式（最好是Python的）来处理这个问题？

谢谢大家。

（这是一个与Twitter相关的项目，用于主题识别。如果有人发推说“让我们去打篮球”，你怎么知道这条推文是关于篮球的等等。）

Answer 1

怎么样呢

\b(?=lol)\S*(\S+)(?<=\blol)\1*\b

（把lol换成omg、haha等等）

这个规则会匹配lol、lololol、lollll、lollollol等等，但不会匹配lolo、lollllo、lolly等等。

规则：

1. 完全匹配单词lol。
2. 然后允许在单词的末尾重复一个或多个字符（比如l、ol或lol）。

所以\b(?=zomg)\S*(\S+)(?<=\bzomg)\1*\b会匹配zomg、zomggg、zomgmgmg、zomgomgomg等等。

在Python中，带注释：

result = re.sub(
    r"""(?ix)\b    # assert position at a word boundary
    (?=lol)        # assert that "lol" can be matched here
    \S*            # match any number of characters except whitespace
    (\S+)          # match at least one character (to be repeated later)
    (?<=\blol)     # until we have reached exactly the position after the 1st "lol"
    \1*            # then repeat the preceding character(s) any number of times
    \b             # and ensure that we end up at another word boundary""", 
    "lol", subject)

这也会匹配“原版”的版本（也就是lol没有任何重复）。如果你不想要这个，可以用\1+代替\1*。

Answer 2

第一种方法 -

好吧，使用正则表达式你可以这样做 -

import re
re.sub('g+', 'g', 'omgggg')
re.sub('l+', 'l', 'lollll')

等等。

我想指出的是，使用正则表达式处理这个问题是一种非常脆弱和基础的方法。用户输入的字符串很容易就会让上面的正则表达式失效。我想说的是，这种方法需要大量的维护工作，你得观察用户常犯的错误模式，然后为这些情况创建特定的正则表达式。

第二种方法 -

你有没有考虑过使用 difflib 模块？这是一个可以帮助计算对象之间差异的模块。对你来说，特别重要的是 SequenceMatcher。简单来说，来自官方文档的描述是 -

SequenceMatcher 是一个灵活的类，用于比较任何类型的序列，只要序列的元素是可哈希的。SequenceMatcher 尝试计算两个序列之间的“人性化差异”。其基本概念是寻找最长的 连续 且没有垃圾的匹配子序列。

import difflib as dl
x   = dl.SequenceMatcher(lambda x : x == ' ', "omg", "omgggg")
y   = dl.SequenceMatcher(lambda x : x == ' ', "omgggg","omg")
avg = (x.ratio()+y.ratio())/2.0
if avg>= 0.6: 
    print 'Match!'
else:
    print 'Sorry!'

根据文档，任何大于 0.6 的比率都算是接近匹配。你可能需要根据你的数据需求来调整这个比率。如果你需要更严格的匹配，我发现任何大于 0.8 的值都很好用。