用正则表达式捕获一个字中的字母重复

Question

我试图检测单词有重复的字母的条件，并且我想用重复的字母替换这种匹配的条件。文本是用希伯来语写的。例如，שללללוווווםםםם应该只是שלום。 基本上，当一封信重复3次或更多时 - 应该被检测到并被替换。

我想使用r gsub的正则表达式。

df$text <- gsub("?", "?", df$text) 

Answer 1

您可以使用

> x = "שללללוווווםםםם" 
> gsub("(.)\\1{2,}", "\\1", x) 
#[1] "שלום" 

注意： - 它将取代其重复三次以上的任何字符（不仅仅是希伯来语）。任何语言

或以下只字母/数字

> gsub("(\\w)\\1{2,}", "\\1", x) 

Answer 2

如果您打算只删除从希伯来脚本（保持其他）重复字符，我建议：

s <- "שללללוווווםםםם .........   שללללוווווםםםם" 
gsub("(\\p{Hebrew})\\1{2,}", "\\1", s, perl=TRUE) 

见regex demo in R

详细：

• (\\p{Hebrew}) - 第1组capturing希伯来语脚本的字符（如\p{Hebrew}是Unicode property/category class）
• \\1{2,} - 存储在组1个缓冲液（如\\1 2以上（由于{2,}limiting quantifier）相同的字符是一个backreference到组1内容）。