Python中字符串中至少出现三次的连续字符的正则表达式

Question

我对tweet的文本预处理有问题

我想用以下方式替换字符串中至少重复三次的字符：

so        -----> so
loooooove -----> love
sweeeeeet -----> sweet

我所做的如下：

text = "this is so soooo sweeeeeeet. I loooove it!"
re.sub(r'([a-z])\1+', r'\1',text)

及

re.sub(r'(\w)(\1{3,})',r'\1',text)

这是从regex for repeating characters in a string in Python引用的

两者都返回相同的结果，如下所示：

'this is so so swet. I love it!'

任何建议都将不胜感激

Answer 1

正则表达式似乎完全按照您告诉它的方式执行—它用一个实例替换了多个连续字符。正则表达式不是问题，而是语言学的问题

---

原始单词中的字母数可能不明确：

A) Goooood morning, everyone!

B) Goooood, I hate mornings!

没有办法知道A)中的Goooood的原始单词是Good，而B)中的God是纯正则表达式，因为它取决于自然语言中的上下文

---

一种老套的方法是保留一本单词词典，只使用“压缩”重复字符时使用的最长单词（或者只使用Wiktor Stribiżew建议的拼写检查器），这种方法在很多情况下都有效，但在上面的示例中会失败

一种更复杂（但更难实现）的方法是使用某种句子预测算法来计算句子中最可能的原始单词

---

无论如何，这不是一个微不足道的问题