2

Estoy intentando encontrar todos los elementos duplicados que hay en una frase.

Para ello, estoy probando con el siguiente código, pero únicamente detecto la primera palabra duplicada y me gustaria reemplazar todas, independientemente de que tengan mayúsculas o minúsculas.

Este es mi código:

public static void main(String[] args) {

String regex = "\\b(\\w+)\\s+\\1\\b+";
Pattern p = Pattern.compile(regex,Pattern.CASE_INSENSITIVE /* Insert the correct Pattern flag here.*/);
Scanner in = new Scanner(System.in);
String input = in.nextLine();
Matcher m = p.matcher(input);
while (m.find()) {
        input = input.replaceAll(m.group(), m.group(1));
    }

    // Prints the modified sentence.
    System.out.println(input);
}

Por ejemplo, en la frase:

Hola hola hOla

Debería de imprimir sólo:

Hola

Actualmente me imprime:

Hola hOla
4
  • ¿Por duplicados te estás refiriendo a duplicados consecutivos? ¿Puede haber signos de puntuación entre duplicados o sólo espacios?
    – Mariano
    Commented el 4 ene. 2017 a las 12:37
  • o y 0 no son iguales, por ello el regex falla.
    – user227
    Commented el 4 ene. 2017 a las 17:42
  • Fundamentalmente busco duplicados consecutivos.
    – pitiklan
    Commented el 4 ene. 2017 a las 21:52
  • 1
    Respecto al comentario de Luiggi, o y O son diferentes, pero se supera gracias al Pattern.CASE_INSENSITIVE
    – pitiklan
    Commented el 4 ene. 2017 a las 21:54

2 respuestas 2

3

Prueba con esto:

String regex = "\\b(\\w+)\\b(\\s+\\1)+\\b";

Explicación:

Las \b nos indican el límite de la palabra, sin ellas por ejemplo un "Hola OLA" coincidiría con Hola ya que quitando la H el patron sería correcto "ola OLA", pero queremos que mire las palabras completas.

La \w nos indica caracter ([a-zA-Z0-9_]) y el + que puede tener varios caracteres de longitud. Por tanto \w+ nos indica que es una palabra.

El \s+ nos indica que puede contener uno o mas espacios.

El \1 guarda nuestro primer bloque de la expresión (lo que contenga \w+), por tanto ha de ser igual.

El + final significa que puede repetirse varias veces la expresión \s+\1.

Por tanto al final obtenemos una expresión formada por Palabra1+(Espacio+Palabra), pudiendo repetirse (Espacio+Palabra1) n veces.

5
  • 2
    Puedes explicarnos qué hace la expresión regular que nos muestras? Puede ser de ayuda para los demás.
    – NaCl
    Commented el 4 ene. 2017 a las 13:08
  • Listo, espero que lo aclare un poco. No tenía mucho tiempo antes y le di una respuesta rápida. Saludos
    – ReyJuanjo
    Commented el 4 ene. 2017 a las 18:48
  • Gracias por la solucion. Tengo otra duda respecto de tu regex, se supone que los word boundaries \\b (patron buscado) \\b tienen que ir en parejas de apertura y cierre o estoy equivocado?
    – pitiklan
    Commented el 4 ene. 2017 a las 21:58
  • Si, creo recordar que era mejor así lo que yo te lo edite rápido la primera vez que estaba con curro.
    – ReyJuanjo
    Commented el 5 ene. 2017 a las 0:18
  • @pitiklan no es necesario que vayan de a pares. Coinciden en una posición entre un \w y un \W o el principio/final del texto. De hecho, el \b utilizado en el medio es innecesario, ya que siempre existirá un límite de palabra completa entre una palabra y un espacio
    – Mariano
    Commented el 6 ene. 2017 a las 17:25
2

Asumiendo que se están buscando duplicados consecutivos, separados por espacios, hay 2 puntos a corregir sobre el código que estás intentando:

  1. En el patrón utilizado, sólo se está buscando 1 palabra consecutiva con \s+\1\b+, ya que el último + sólo repite a \b (y es innecesario). En cambio, de debería repetir a todo este subpatrón, agrupando con (?:\s+\1)+\b.

  2. Se está utilizando primero un bucle para hallar las coincidencias, y luego reemplazar el string encontrado, algo que puede llevar a reemplazar en lugares equivocados. En cambio, se debería utilizar Matcher.replaceAll() para realizar todos los reemplazos con un único llamado al método. Como reemplazo, usaremos $1 para referirnos al texto capturado de la primer palabra.

Regex:

\b(\w+)(?: +\1)+\b

Reemplazo:

$1

Texto:

Hola hola hOla

Resultado:

Hola

Código:

import java.util.regex.Matcher;
import java.util.regex.Pattern;
final String regex = "\\b(\\w+)(?: +\\1)+\\b";
final Pattern p = Pattern.compile(regex, Pattern.CASE_INSENSITIVE);

final String reemplazo = "$1";

Scanner in = new Scanner(System.in);
String input = in.nextLine();
Matcher m = p.matcher(input);

//Se reemplazan todas las ocurrencias
input = m.replaceAll(reemplazo);

System.out.println(input);

Demo:

http://ideone.com/2oOOhI


Sin embargo, la solución anterior no considera tildes en las palabras. Para considerarlos, se puede utilizar el modificador UNICODE_CHARACTER_CLASS.

final Pattern p = Pattern.compile(regex, Pattern.CASE_INSENSITIVE | Pattern.UNICODE_CHARACTER_CLASS);

Tu Respuesta

By clicking “Publica tu respuesta”, you agree to our terms of service and acknowledge you have read our privacy policy.

¿No es la respuesta que buscas? Examina otras preguntas con la etiqueta o formula tu propia pregunta.