删除除缩写外的重复字母

Question

我想从字符串中删除重复的字母，只要有更多的字母。例如，考虑下面的列表：

aaa --> it is untouched because all are the same letters
aa  --> it is untouched because all are the same letters
a   --> not touched, just one letter
broom --> brom
school --> schol
boo --> should be bo
gool --> gol
ooow  --> should be ow

我使用以下正则表达式消除重复项，如下所示：

(?<=[a-zA-Z])([a-zA-Z])\1+(?=[a-zA-Z])

但是，字符串boo中的操作失败，该字符串保留为原始boo，而不是删除双o。同样的情况也发生在oow上，它并没有减少到ow

你知道为什么正则表达式不使用boo吗

Answer 1

正则表达式不匹配boo，因为它搜索的重复项前后至少有一个不同的字符

一种可能是制作一个更简单的正则表达式来捕获所有重复项，然后在结果是一个字符时恢复

def remove_duplicate(string):
    new_string = re.sub(r'([a-zA-Z])\1+', r'\1', string)
    return new_string if len(new_string) > 1 else string

下面是一个不带正则表达式的可能解决方案。它的速度更快，但它也将删除重复的空白和标点符号。不仅仅是信件

def remove_duplicate(string):
    new_string = ''
    last_c = None
    for c in string:
        if c == last_c:
            continue
        else:
            new_string += c
            last_c = c
    if len(new_string) > 1:
        return new_string
    else:
        return string

Answer 2

您可以将包含相同字符的整个单词匹配并捕获到一个捕获组中，然后在所有其他上下文中匹配重复的连续字母，并相应地替换：

import re
text = "aaa, aa, a,broom, school...boo, gool, ooow."
print( re.sub(r'\b(([a-zA-Z])\2+)\b|([a-zA-Z])\3+', r'\1\3', text) )
# => aaa, aa, a,brom, schol...bo, gol, ow.

见Python demo和regex demo

正则表达式详细信息

• \b-单词边界
• (([a-zA-Z])\2+)-组1：一个ASCII字母（捕获到组2中），然后出现一个或多个相同的字母
• \b-单词边界
• |-或
• ([a-zA-Z])-组3：捕获到组3中的ASCII字母
• \3+-组3中捕获的字母的一次或多次出现

替换是组1和组3值的串联

要匹配任何Unicode字母，请将[a-zA-Z]替换为[^\W\d_]