☰

word-grep 中相同字符的确切数量

tag-icon • tag-icon grep regular-expression wildcards
word-grep 中相同字符的确切数量

我的任务是找到带有egrep的行，其中第一个单词包含确切地三个相同的字母。我尝试过使用反向引用，但只找到了一种构建模式的方法，该模式可以找到由 3 个或更多相同字符构建的单词：

egrep -i '^[^[:alpha:]]*\<[a-z]*([a-z])[a-z]*(\1[a-z]*){2}\>'

答案1

以下匹配仅包含 3 个相同 [:alpha:] 字符的行开头的任何“单词”：

grep -i '^\([[:alpha:]]\)\1\1\b'

或者，使用 grep 的-E( --extended-regexp) 或-P（又名--perl-regexp）选项：

grep -iE '^([[:alpha:]])\1\1\b'

grep -iP '^([[:alpha:]])\1\1\b'

它们与 GNU grep 一起使用，并且（版本除外-P）与 FreeBSD 的 grep 一起使用。它们可能无法与其他版本的 grep 一起使用。

如果你想匹配任意长度的包含以下内容的单词3个或更多在其中的任何位置使用相同的字母字符，这有点困难。你需要使用一个负前瞻，这需要 perl 兼容的正则表达式。

即它不能用grep -E（又名egrep，已被已弃用）。

例如：

$ grep -iP '^[[:alpha:]]*([[:alpha:]])((?:(?!\1)[[:alpha:]])*\1){2}[[:alpha:]]*\b' /usr/share/dict/words
Aaliyah
Aaliyah's
Aarau
Aargau
Aaronical
Abadan
Abbottstown
Abbottstown's
Aberdeen
Aberdeen's
...
zoozoo
zoozoos
zuzzes
zwitterionic
zygogeneses
zygomorphous
zymogeneses
zyzzyva
zyzzyvas
zzz

（根据wc -l，这与我的 /usr/share/dict/words 文件中的 344817 个单词中的 67117 个匹配）

最后，仅匹配单词正好 3其中任意位置具有相同的 [:alpha:] 字符：

$ grep -iP '^[[:alpha:]]*([[:alpha:]])((?:(?!\1)[[:alpha:]])*\1){2}[[:alpha:]]*\b' /usr/share/dict/words | 
  grep -viP '^[[:alpha:]]*([[:alpha:]])((?:(?!\1)[[:alpha:]])*\1){3}'

第一个 grep 查找具有 3 个或更多相同字符的单词，第二个 grep 排除具有 4 个或更多相同字符的单词。

我不确定这是否可以用单个正则表达式来完成。

（这与我的 /usr/share/dict/words 文件中的 56820 个单词匹配）。

答案2

我认为您无法使用grep正则表达式来做到这一点，即使使用 Perl/PCRE 功能（例如零长度断言和反向引用）也是如此。

这很可能是一些理论上的兔子洞，但我对这些东西不感兴趣。

所以就用perl 来做吧。 “算法”可以很容易地翻译成 awk、ruby、python 等：

perl -CiI -anle 'my ($i,%l); ($n=++$l{$_})==3 ? $i++ : $n==4 ? $i-- : () for $F[0]=~/\pL/g; print if $i' file

这可以很容易地进行调整。例如，如果您想查找 3 个字母重复 3 次的单词：

perl -CiI -anle 'my ($i,%l); ($n=++$l{$_})==3 ? $i++ : $n==4 ? $i-- : () for $F[0]=~/\pL/g; print if $i >= 3' /usr/share/dict/words
...
entertainment
...
totalitarianism

或 7 个字母重复 2 次：

perl -CiI -anle 'my ($i,%l); ($n=++$l{$_})==2 ? $i++ : $n==3 ? $i-- : () for $F[0]=~/\pL/g; print if $i >= 7' /usr/share/dict/words
...
electroencephalograph
...
telecommunication

您还可以更改\pL为仅.匹配任何字母、$F[0]=~/../仅/../或不-a切换以匹配整行、省略-CiI仅考虑 ascii 字母等。

答案3

有不仅使用 ERE（扩展正则表达式）构建此类正则表达式的方法。

与 GNU grep (perl regex) （匹配 3 个或更多重复字符）更接近的是：

grep -P '(\w)(((?!\1)\w)*\1){2}' filename

因此，删除重复 4 次或以上的单词，您将得到答案：

grep -P      '(\w)(((?!\1)\w)*\1){2}' filename | 
    grep -Pv '(\w)(((?!\1)\w)*\1){3}'

GNU awk 的替代方案是：

awk '{
      a=$1;
      while (length(a)){
                        b=gensub(substr(a,0,1),"","g",a);
                        if(length(a)-length(b)==3){print $0;next};
                        a=b
                       }
     }' filename

它的工作原理是删除第一个字符的所有重复，如果删除的是 3 个字符，则打印它，否则，删除下一​​个第一个字母，直到没有更多的字符可以替换（改进是仅测试剩余长度是否相等或大于所需的重复次数）。

假设您想要计数A为相当于a，然后使用以下方法过滤您的文件：

cat /usr/share/dict/words | tr [[:upper:]] [[:lower:]] > words

这两个解决方案相似但不相等。两者在independence单词上有所不同，例如上面生成的词典文件。

是的，independence包含 3n但包含 4 e。根据首先找到的单词，可能会包含或不包含该单词。 awk 解决方案是稳定的，并且将包含以下单词：任何字符恰好重复 3 次。正则表达式解决方案更加灵活，并且在某些条件下会匹配，而在其他条件下则不匹配。

此外，正则表达式将仅匹配单词不包含的字符'（并且文件包含多个带有该字符的单词）。

总之，匹配的行数为（使用 awk 则多出 1527 行）：

 13758 awklist
 12231 greplist

并且，删除'（使用 awk 还可以删除 184 个）：

 9236 awklist2
 9052 greplist2

应该tastelessness teleconferencing teletypewriter teletypewriters tempestuousness timelessness tintinnabulation tintinnabulations tirelessness transcontinental transgressors transubstantiation（仅列出一些）被拒绝吗？

都确实有3一个字符和四个（或更多）另一个字符。

相关内容