用Notepad++的正则表达式进行压缩去词

原字符串：abbbbbijkijkijkijkijkijkijkijkc

 

----------------------------------------------------------------------------

 

目标1：

把字符串中连续重复3次以上的单个字符压缩成1次，即把bbbbb变成b

 

查找的正则表达式为：

(.)\1{2,}

解释：

.代表任意指定的一个字符，

而(.)\1中的\1代表的是引用了等同于括号的内容，

\1{2,}则代表\1所引用的内容连续出现了至少两次。

所以，(.)\1{2,}这串正则表达式，代表了(.)本身以外，后面还跟着等同于(.)的内容出现了至少两次，也就是说任意指定的一个字符连续出现了至少三次。

 

替换的正则表达式为：

\1

解释：

很明显，要把查找到的内容替换成\1所引用的内容，也是(.)，在这里就是b。

 

替换后结果：

abijkijkijkijkijkijkijkijkc

 

----------------------------------------------------------------------------

 

目标2：

把上一步处理好的abijkijkijkijkijkijkijkijkc中的连续重复两次以上的字符串压缩成一个字符串，即把ijkijkijkijkijkijkijkijk变成ijk

 

查找的正则表达式为：

(..+?)\1{1,}

解释：

.代表任意指定的一个字符，..+?则代表任意指定的长度为2以上的字符串，并且是非贪婪匹配，即..+?匹配到的是ijk。如果改成..+，则是贪婪匹配，会匹配到ijkijkijkijk，贪婪匹配会造成需要反复进行查找替换操作logN次（N为字符串重复次数），才能匹把重复N次的字符串压缩成一次。而非贪婪匹配只需查找替换一次。

而(..+?)\1中的\1代表的是引用了等同于括号的内容，

\1{1,}则代表\1所引用的内容连续出现了至少一次。

所以，(..+?)\1{1,}这串正则表达式，代表了(..+?)本身以外，后面还跟着等同于(..+?)的内容出现了至少一次，也就是说任意指定的长度为2以上的字符串连续出现了至少两次。

 

替换的正则表达式为：

\1

解释：

很明显，要把查找到的内容替换成\1所引用的内容，也是(..+?)，在这里就是ijk。

 

替换后结果：

abijkc

----------------------------------------------------------------------------

扩展用法：

以上的目标1、2的查找中，要求查找到的重复字符串不是纯数字，只需改为以下正则表达式：

目标1：

([^0-9])\1{2,}

目标2：

要分两步查找替换，

首先查找

([0-9]+[^0-9].*?)\1{1,}

其中([0-9]+[^0-9].*?)代表重复的字符串单位，模式解读为：至少一个（贪婪匹配）数字字符再跟一个非数字字符再跟零个以上（非贪婪匹配）任意字符；

然后查找

([^0-9].+?)\1{1,}

其中([^0-9].+?)代表重复的字符串单位，模式解读为：一个非数字字符再跟一个以上任意字符（非贪婪匹配）；

----------------------------------------------------------------------------

附：NOTEPAD++正则表达式高级用法https://blog.csdn.net/yocencyy/article/details/104117433