正则表达式匹配重复字符

Question

比如我有一个字符串：

 aacbbbqq

我想要得到以下的匹配结果：

 (aa, c, bbb, qq)  

我知道我可以写一些像这样的东西：

 ([a]+)|([b]+)|([c]+)|...  

但是我觉得这样写不好看，所以我在寻找更好的解决方案。我想要用正则表达式来解决这个问题，而不是自己写有限状态机。

Answer 1

itertools.groupby 不是正则表达式，也不是自己写的东西。:-) 这是来自 Python 文档的一句话：

# [list(g) for k, g in groupby('AAAABBBCCD')] --> AAAA BBB CC D

Answer 2

一般来说

这里的窍门是先匹配你想要的字符范围中的一个字符，然后确保匹配到这个字符的所有重复：

>>> matcher= re.compile(r'(.)\1*')

这段代码会匹配任何单个字符（.），然后匹配这个字符的重复出现（\1*），如果有的话。

对于你的输入字符串，你可以得到想要的输出：

>>> [match.group() for match in matcher.finditer('aacbbbqq')]
['aa', 'c', 'bbb', 'qq']

注意：由于使用了匹配组，re.findall 可能无法正确工作。

其他范围

如果你不想匹配 任何 字符，可以相应地修改正则表达式中的 .：

>>> matcher= re.compile(r'([a-z])\1*') # only lower case ASCII letters
>>> matcher= re.compile(r'(?i)([a-z])\1*') # only ASCII letters
>>> matcher= re.compile(r'(\w)\1*') # ASCII letters or digits or underscores
>>> matcher= re.compile(r'(?u)(\w)\1*') # against unicode values, any letter or digit known to Unicode, or underscore

可以用它来检查 u'hello²²'（Python 2.x）或 'hello²²'（Python 3.x）：

>>> text= u'hello=\xb2\xb2'
>>> print('\n'.join(match.group() for match in matcher.finditer(text)))
h
e
ll
o
²²

在处理非Unicode字符串或字节数组时，使用 \w 可能会受到影响，如果你先调用了 locale.setlocale。

Answer 3

你可以用这个来匹配：(\w)\1*