查找字符串中最重复（不是最常见）序列的算法（又名串联重复）

Question

我正在寻找一种算法（可能是用Python实现的），能够找到字符串中最重复的序列。其中，对于重复，我指的是不间断地反复重复的任何字符组合（串联重复）。

我正在寻找的算法与“查找最常见的单词”的算法不同。事实上，重复块不需要是字符串中最常见的字（子字符串）。

例如：

s = 'asdfewfUBAUBAUBAUBAUBAasdkBAjnfBAenBAcs'
> f(s)
'UBAUBAUBAUBAUBA' #the "most common word" algo would return 'BA'

不幸的是，我不知道如何解决这个问题。任何帮助都非常欢迎。

更新

有一个额外的例子来说明我希望返回重复次数最多的序列，不管它的基本构造块是什么。

g = 'some noisy spacer'
s = g + 'AB'*5 + g + '_ABCDEF'*2 + g + 'AB'*3
> f(s)
'ABABABABAB' #the one with the most repetitions, not the max len

来自@rici的例子：

s = 'aaabcabc'
> f(s)
'abcabc'

s = 'ababcababc'
> f(s)
'ababcababc' #'abab' would also be a solution here
             # since it is repeated 2 times in a row as 'ababcababc'.
             # The proper algorithm would return both solutions.

Answer 1

您要搜索的是一种算法，用于查找字符串中的“最大”原始串联重复。本文描述了一种线性时间算法，用于查找字符串中的所有串联重复，并扩展了所有原始串联重复。古斯菲尔德。用于查找和表示字符串中所有串联重复的线性时间算法

Answer 2

以下是基于（\w？\2）regex的解决方案，但有其他改进：

import re
from itertools import chain


def repetitive(sequence, rep_min_len=1):
    """Find the most repetitive sequence in a string.

    :param str sequence: string for search
    :param int rep_min_len: minimal length of repetitive substring
    :return the most repetitive substring or None
    """
    greedy, non_greedy = re.compile(r'((\w+)\2+)'), re.compile(r'((\w+?)\2+)')

    all_rep_seach = lambda regex: \
        (regex.search(sequence[shift:]) for shift in range(len(sequence)))

    searched = list(
        res.groups()
        for res in chain(all_rep_seach(greedy), all_rep_seach(non_greedy))
        if res)

    if not sequence:
        return None

    cmp_key = lambda res: res[0].count(res[1]) if len(res[1]) >= rep_min_len else 0
    return max(searched, key=cmp_key)[0]

你可以这样测试它：

def check(seq, expected, rep_min_len=1):
    result = repetitive(seq, rep_min_len)
    print('%s => %s' % (seq, result))
    assert result == expected, expected


check('asdfewfUBAUBAUBAUBAUBAasdkBAjnfBAenBAcs', 'UBAUBAUBAUBAUBA')
check('some noisy spacerABABABABABsome noisy spacer_ABCDEF_ABCDEFsome noisy spacerABABAB', 'ABABABABAB')
check('aaabcabc', 'aaa')
check('aaabcabc', 'abcabc', rep_min_len=2)
check('ababcababc', 'ababcababc')
check('ababcababcababc', 'ababcababcababc')

主要特点：

1. 使用贪婪（（\w）\2）和非贪婪（（\w）\2？）正则表达式
2. 搜索所有子串中的重复子串，并从开头移位（例如'string'=

Answer 3

通过组合re.findall（）（使用特定的regex patten）和max（）函数：

import re

#  extended sample string
s = 'asdfewfUBAUBAUBAUBAUBAasdkjnfencsADADADAD sometext'

def find_longest_rep(s):
    result = max(re.findall(r'((\w+?)\2+)', s), key=lambda t: len(t[0]))
    return result[0]

print(find_longest_rep(s))

输出：

UBAUBAUBAUBAUBA

关键模式：

• （（\w？\2）：
  • （..）-最外层的捕获组，即第一个捕获组
  • （\w？——包含在第二个捕获组中的任何非空白字符序列<代码>？-量词，在一次和无限次之间匹配，次数尽可能少，可根据需要扩展
  • \2-与第二个捕获组最近匹配的文本相同