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
    el 4 ene. 2017 a las 12:37
  • o y 0 no son iguales, por ello el regex falla.
    – user227
    el 4 ene. 2017 a las 17:42
  • Fundamentalmente busco duplicados consecutivos.
    – pitiklan
    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
    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
    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
    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
    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
    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
    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

Al pulsar en “Publica tu respuesta”, muestras tu consentimiento a nuestros términos de servicio, política de privacidad y política de cookies

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