如何编写正则表达式来修复由重复字母组成的单词？

Question

我刮了一些PDF，刮了一些厚字体，如本例所示：

text='and assesses oouurr rreeffoorrmmeedd tteeaacchhiinngg in the classroom'

而不是

"and assesses our reformed teaching in the classroom"

如何解决这个问题？我正在尝试使用正则表达式

pattern=r'([a-z])(?=\1)'
re.sub(pattern,'',text)
#"and aseses reformed teaching in the clasrom"

我正在考虑将上面的两组进行分组，并添加单词边界

编辑：此选项修复字母数为偶数的单词：

pattern=r'([a-z])\1([a-z])\2'
re.sub(pattern,'\1\2',text)
#"and assesses oouurr reformed teaching in the classroom"

Answer 1

我使用的是混合方法：在for循环中构建模式和替换，然后应用regex。所应用的正则表达式从8x2=16个字母的单词到3个字母

import re
text = 'and assesses oouurr rreeffoorrmmeedd tteeaacchhiinngg in the classroom'
wrd_len = [9,8,7,6,5,4,3,2]
for l in wrd_len:
    sub = '\\' + '\\'.join(map(str,range(1,l+1)))
    pattern = '([a-z])\\' + '([a-z])\\'.join(map(str,range(1,l+1)))
    text = re.sub(pattern, sub , text)
text
#and assesses our reformed teaching in the classroom

例如，三个字母单词的正则表达式变为：

re.sub('([a-z])\1([a-z])\2([a-z])\3', '\1\2\3', text)

作为旁注，我无法用原始字符串正确地使用这些反斜杠，实际上我将使用[a-zA-Z]

Answer 2

我在javascript中找到了一个很好的解决方案：

([a-z])\1(?:(?=([a-z])\2)|(?<=\3([a-z])\1\1))

但在某些情况下，它在python中不起作用，因为lookbehind无法引用group，所以我提出了另一个在本例中可以起作用的解决方案：

([a-z])\1(?:(?=([a-z])\2)|(?=[^a-z])))

试试看here

Answer 3

如果字母重复，您可以尝试这样的方法

for w in text.split():
    if len(w) %2 != 0:
        print(w)
        continue
    if w[0::2] == w[1::2]:
        print(w[0::2])
        continue
    print(w)