如何编写正则表达式统计文本语料中同一辅音出现超四次的单词？

你当前的正则([b-df-hj-np-tv-z])\1{3,}只能匹配连续重复4次以上的辅音，但需求是统计单词中某辅音**总出现次数超过4次（即≥5次）**的单词数量，以下是可行方案：

核心正则表达式 #

\b(?=\w*([b-df-hj-np-tv-z])(?:\w*\1){4})\w+\b

正则逻辑解释 #

• \b：匹配单词边界，确保处理的是完整单词
• (?=\w*([b-df-hj-np-tv-z])(?:\w*\1){4})：正向预查，验证单词满足条件：
  • 捕获组([b-df-hj-np-tv-z])匹配任意一个辅音
  • (?:\w*\1){4}确保该辅音在单词中至少再出现4次（加上第一次捕获的，总次数≥5）
• \w+：匹配整个符合条件的单词

实际使用示例（以Python为例） #

结合代码可直接统计文本中这类单词的数量：

import re

# 示例语料
corpus = "Sonnentrunkenheiten fliegen Schweppenstetten abcdeee ffghhjjj kkkkk"
# 正则模式（添加re.IGNORECASE可忽略大小写，按需调整）
pattern = r'\b(?=\w*([b-df-hj-np-tv-z])(?:\w*\1){4})\w+\b'

# 提取所有符合条件的单词
matches = re.findall(pattern, corpus, re.IGNORECASE)
# 统计数量（需去重则用len(set(matches))，保留重复直接用len(matches)）
count = len(matches)

print(f"符合条件的单词数量：{count}")

注意事项 #

• 若需支持德语特殊辅音（如ß），可将辅音范围调整为[b-df-hj-np-tv-zß]
• 需区分大小写时，去掉re.IGNORECASE参数即可

内容的提问来源于stack exchange，提问作者Patrick Huber