Java中移除连续重复单词的正则表达式(\b\S+)( \1\b)+解析

先明确需求：输入字符串 "alpha beta beta gamma gamma gamma delta alpha beta beta gamma gamma gamma delta"，要得到移除连续重复单词后的结果 "alpha beta gamma delta alpha beta gamma delta"，这段Java代码靠正则表达式实现了这个功能。

下面拆解这个正则(\b\S+)( \1\b)+的关键部分，重点解答你疑惑的地方：

• 第一分组(\b\S+)：

  • \b是单词边界，保证我们匹配的是完整单词的起始位置，不会从单词中间开始匹配
  • \S+匹配一个或多个非空白字符，也就是完整的单个单词，这个单词会被存为第1个捕获分组

• 你疑问的( \1\b)+部分：

  • 开头的空格：这个空格是用来匹配重复单词前面的分隔空格的——原字符串里单词都是用空格隔开的，连续重复的单词必然跟在前一个单词的空格后面（比如beta beta里第二个beta前的空格），这个空格就是用来精准定位「连续的、空格分隔的重复单词」，避免误匹配单词内部的重复字符（比如aaa这种单单词里的重复不会被处理）。
  • \1是反向引用第1分组捕获到的单词，也就是和前面那个单词完全一样的内容
  • \b再次用单词边界，确保匹配的是完整的重复单词，不会出现比如beta betaa这种只匹配部分字符的错误情况
  • +表示这个「空格+重复单词+单词边界」的组合可以出现1次或多次，这样就能一次性处理像gamma gamma gamma这种连续重复多次的场景

举个实际例子：原字符串里的gamma gamma gamma，正则会捕获第一个gamma作为分组1，然后匹配后面的 gamma gamma（两次「空格+gamma+边界」的组合），最后替换成分组1的内容gamma，就完成了多重复单词的去重。

内容的提问来源于stack exchange，提问作者Rob