连续重复二元组的正则表达式

我的问题是之前这个问题的直接延伸question https://stackoverflow.com/questions/2823016/regular-expression-for-consecutive-duplicate-words关于检测字符串中的连续单词（一元组）。

在上一个问题中，

Not 那个那个相关的

可以通过这个正则表达式检测到：\b(\w+)\s+\1\b

在这里，我想检测连续的二元组（单词对）：

是蓝色的然后然后然后非常明亮

理想情况下，我还想知道如何用单个元素替换检测到的模式（重复），以便最终获得：

是蓝色的，然后非常明亮

（对于这个应用程序，如果重要的话，我正在使用gsub in R)

这里的要点是，在某些情况下，会存在包含较短重复子串的重复子串。因此，为了匹配更长的，你可以使用

(\b.+\b)\1\b

（参见正则表达式演示 https://regex101.com/r/mH9zO2/2）对于那些寻找较短子字符串的人，我会依靠惰性点匹配:

(\b.+?\b)\1\b

See 这个正则表达式演示 https://regex101.com/r/mH9zO2/1。替换字符串将是\1- 对捕获部分的反向引用首先与分组结构匹配(...).

您需要一个 PCRE 正则表达式才能使其工作，因为有记录的问题与匹配多个单词边界gsub https://stat.ethz.ch/R-manual/R-devel/library/base/html/grep.html（所以，添加perl=T争论）。

gsub 和 gregexpr 的 POSIX 1003.2 模式在处理重复的字边界时无法正常工作（例如，pattern = "\b"). Use perl = TRUE对于此类匹配（但对于非 ASCII 输入可能无法按预期工作，因为“单词”的含义取决于系统）。

请注意，如果重复的子字符串可以跨越多行，则可以使用带有 DOTALL 修饰符的 PCRE 正则表达式(?s)在模式的开头（以便.也可以匹配换行符）。

所以，R 代码看起来像

gsub("(?s)(\\b.+\\b)\\1\\b", "\\1", s, perl=T)

or

gsub("(?s)(\\b.+?\\b)\\1\\b", "\\1", s, perl=T)

See the IDEONE演示 https://ideone.com/SiKl4e:

text <- "are blue and then and then more and then and then more very bright"
gsub("(?s)(\\b.+?\\b)\\1\\b", "\\1", text, perl=T) ## shorter repeated substrings
## [1] "are blue and then more and then more very bright"
gsub("(?s)(\\b.+\\b)\\1\\b", "\\1", text, perl=T) ## longer repeated substrings
## [1] "are blue and then and then more very bright"