为何匹配连续重复单词的Python正则表达式无法生效？

嘿，踩坑了对吧？我刚好用Python处理过类似的需求，来给你捋捋你写的正则[A-Za-z0-9]*为啥匹配不到“to to”“this this”这类连续重复单词：

1. 量词*是最大的坑 #

你用的*是匹配0次或多次字符，这意味着它会把空字符串也当成合法匹配项。当正则引擎扫描文本时，它可能先匹配一个空字符串，再去寻找“重复”的空字符串，直接打乱了检测连续单词的逻辑——毕竟你要找的是至少有一个字符的单词，不是空内容。

正确的做法是用+量词，它匹配1次或多次字符，确保捕获的是真正的非空单词：[A-Za-z0-9]+。

2. 缺少单词边界\b，会误匹配单词内部的重复片段 #

如果只靠字符类匹配，没有加\b（单词边界），正则会把单词内部的重复字符序列当成“重复单词”。比如遇到“totoo”，它会错误匹配中间的两个“to”，但这根本不是连续的独立单词。

单词边界\b的作用是确保你匹配的是完整的单词——左边是非单词字符（或文本开头），右边是单词字符，反之亦然。

修正后的正则示例 #

结合上面两个点，修正后的正则应该是这样的：

import re

text = "I need to to confirm this this is the right way"
# 正则逻辑：捕获完整单词 → 匹配一个或多个空格 → 匹配和捕获组相同的单词
pattern = r'\b([A-Za-z0-9]+)\b\s+\1\b'

# 找到所有重复的单词
matches = re.findall(pattern, text)
print(matches)  # 输出: ['to', 'this']

# 或者获取完整的匹配内容
for match in re.finditer(pattern, text):
    print(f"找到连续重复: {match.group()}")

如果需要忽略大小写（比如匹配“To to”这种情况），可以加上re.IGNORECASE标志：

matches = re.findall(pattern, text, flags=re.IGNORECASE)

额外补充（可选） #

如果你的场景里单词可能包含撇号（比如“don't don't”）或者连字符，那[A-Za-z0-9]+就不够用了，可以把字符类改成[A-Za-z0-9'-]+来覆盖这类情况，根据你的实际需求调整就行。

内容的提问来源于stack exchange，提问作者quanty