如何使用正则表达式在字符串中去除重复字符？

Question

我需要替换字符串中的重复字符。我尝试使用

outputString = str.replaceAll("(.)(?=.*\\1)", "");

这将替换重复的字符，但字符的位置会如下所示发生变化。

输入

haih

输出

aih

但我需要得到一个输出hai。也就是说，字符串中出现的字符顺序不应该改变。以下是一些输入的预期输出。

输入

aaaassssddddd

输出

asd

输入

cdddddggggeeccc

输出

cdge

这怎么能实现？

- Johny

---

如果输入是 hhaiha，你的输出是什么？ - Avinash Raj

@AvinashRaj hhaiha 将会得到 iha。 - Johny

所以你想要删除首次出现的重复项。那么你的正则表达式似乎是正确的。 - Avinash Raj

字符串中的字符应仅出现一次，字符出现的顺序不应更改。 - Johny

我还是不明白你的意思。一个例子不足以说明问题，所以请提供更多示例及其预期输出。 - Avinash Raj

@AvinashRaj 我添加了一些示例。 - Johny

Answer 1

看起来你的代码漏掉了最后一个字符，那么尝试这个：

outputString = new StringBuilder(str).reverse().toString();
// outputString is now hiah
outputString = outputString.replaceAll("(.)(?=.*\\1)", "");
// outputString is now iah
outputString = new StringBuilder(outputString).reverse().toString();
// outputString is now hai

- J. Titus

---

不？ // ccceeeggggddddc // egdc // cdge - J. Titus

@AvinashRaj 对于 cdddddggggeeccc 的输出为 cdge 是正确的。 - Johny

@J.Titus 有没有其他直接使用正则表达式来完成这个任务的方法？ - Johny

Answer 2

概述

使用Oracle的实现是可能的，但出于许多原因，我不建议采用这种方法：

• 它依赖于实现中的错误，它将*、+或{n,}解释为{0, 0x7FFFFFFF}、{1, 0x7FFFFFFF}、{n, 0x7FFFFFFF}，这允许后向查找包含这些量化器。由于它依赖于一个错误，所以不能保证它将来会以类似的方式工作。

• 它是一团乱麻，难以维护。编写正常的代码和任何有基本Java知识的人都可以阅读它，但在这个答案中使用正则表达式限制了能够一眼理解代码的人数，只有那些了解正则表达式实现的人才能理解。

因此，这个答案是为教育目的而存在的，而不是用于生产代码。

解决方案

这里是一个一行的replaceAll正则表达式解决方案：

String output = input.replaceAll("(.)(?=(.*))(?<=(?=\\1.*?\\1\\2$).+)","")

打印出正则表达式：

(.)(?=(.*))(?<=(?=\1.*?\1\2$).+)

我们想要做的是向后查看，看同样的字符是否出现过。在开头的捕获组(.)捕获当前字符，并且向后查找组在那里检查字符是否之前出现过。到目前为止还不错。

然而，由于回溯引用\1没有明显的长度，它不能直接出现在向后查找中。

这就是我们利用错误向后查找字符串开始部分的地方，然后在向后查找内部使用向前查找来包括回溯引用的地方，正如您所看到的(?<=(?=...).+)。

然而，问题并没有结束。虽然向后查找内部的非断言模式.+不能越过 (.)位置之后的位置，但是向前查找内部却可以。作为一个简单的测试：

"haaaaaaaaa".replaceAll("h(?<=(?=(.*)).*)","$1")
> "aaaaaaaaaaaaaaaaaa"

为确保搜索不超出当前字符，我使用先行断言 (?=(.*)) 捕获字符串的其余部分，并将其用于“标记”当前位置 (?=\\1.*?\\1\\2$)。

能否在不使用后行断言的情况下完成一次替换？

我认为这是不可能的。我们需要区分一个字符的第一次出现和同一字符的后续出现。虽然我们可以针对一个固定字符（例如 a）进行此操作，但问题要求我们对字符串中的所有字符都进行此操作。

供您参考，这是用于删除所有后续出现的固定字符（此处使用 h）：

.replaceAll("^([^h]*h[^h]*)|(?!^)\\Gh+([^h]*)","$1$2")

为了对多个字符执行此操作，我们必须跟踪该字符是否出现过，跨匹配和所有字符。上面的正则表达式显示了跨匹配部分，但另一个条件使这种情况变得不可能。

显然，我们不能在单个匹配中完成此操作，因为后续出现的次数可能是不连续和任意的。

- nhahtdh