所有10个字母词的正则表达式，带有唯一字母

我正在尝试编写一个正则表达式，以显示所有10个字符长的单词，并且所有字母都没有重复。

到目前为止，我已经

grep --colour -Eow '(\w{10})'

这是问题的第一部分。我将如何检查“唯一性”？除了需要使用反向引用之外，我真的没有任何线索。

grep -Eow '\w{10}' | grep -v '\(.\).*\1'

排除具有两个相同字符的单词。

grep -Eow '\w{10}' | grep -v '\(.\)\1'

排除重复字符的字符。

POSIXly：

tr -cs '[:alnum:]_' '[\n*]' |
   grep -xE '.{10}' |
   grep -v '\(.\).*\1'

tr通过将任何s非单词字符c序列（字母数字和下划线的补全）转换为换行符，将单词放在自己的行上。

或搭配一个grep：

tr -cs '[:alnum:]_' '[\n*]' |
   grep -ve '^.\{0,9\}$' -e '.\{11\}' -e '\(.\).*\1'

（不包括少于10个字符和多于10个字符的行，以及字符至少出现两次的行）。

grep仅使用一个（具有PCRE支持的GNU grep或pcregrep）：

grep -Po '\b(?:(\w)(?!\w*\1)){10}\b'

也就是说，一个单词边界（\b）后跟一个10个单词字符的序列（前提是每个单词后面都没有一个单词字符及其本身的序列，使用负数预读PCRE运算符(?!...)）。

我们很幸运，它在这里能正常工作，因为在重复部分中，没有太多的正则表达式引擎与反向引用一起使用。

请注意（至少在我的GNU grep版本中）

grep -Pow '(?:(\w)(?!\w*\1)){10}'

不起作用，但是

grep -Pow '(?:(\w)(?!\w*\2)){10}'

确实（如echo aa | grep -Pw '(.)\2'）听起来像个错误。

您可能想要：

grep -Po '(*UCP)\b(?:(\w)(?!\w*\1)){10}\b'

如果您希望\w或\b考虑将任何字母作为单词组成部分，而不仅仅是非ASCII语言环境中的ASCII字母。

另一种选择：

grep -Po '\b(?!\w*(\w)\w*\1)\w{10}\b'

这是一个单词边界（一个单词边界后没有一个重复的单词字符序列），后面是10个单词字符。

人们可能会想到的事情是：

• 比较是区分大小写的，因此Babylonish例如将被匹配，因为所有字符都不同，即使存在两个Bs，一个小写和一个大写（用于-i更改大小写）。
• 对-w，\w和\b，一个字是（仅适用于GNU ASCII那些信grep 现在，在[:alpha:]您所在区域的字符类，如果使用-P和(*UCP)），十位数字或下划线。
• 这意味着c'est（根据单词的法语定义两个单词）或it's（根据单词的某些英语定义一个单词）或rendez-vous（根据单词的法语定义一个单词）不被视为一个单词。
• 即使使用(*UCP)，也不会将Unicode组合字符视为单词组成部分，因此téléphone（$'t\u00e9le\u0301phone'）被视为10个字符，其中之一为非字母。défavorisé（$'d\u00e9favorise\u0301'）即使有两个也将被匹配，é因为这是10个所有不同的字母字符，后跟一个组合的重音符号（非字母，因此在e与其重音之间存在一个字边界）。

好的...这是五个字符串的笨拙方式：

grep -P '^(.)(?!\1)(.)(?!\1|\2)(.)(?!\1|\2|\3)(.)(?!\1|\2|\3|\4).$'

由于您不能在字符类（例如[^\1|\2]）中添加反向引用，因此必须使用否定的前瞻 - (?!foo)。这是PCRE功能，因此您需要进行-P切换。

当然，一个10字符串的模式将更长，但是有一个较短的方法，在前瞻中使用可变长度的任何匹配（'。*'）：

grep -P '^(.)(?!.*\1)(.)(?!.*\2)(.)(?!.*\3)(.)(?!.*\4)(.)(?!.*\5).$'

在阅读了斯蒂芬·夏泽拉斯的启发性答案后，我意识到可以通过grep的-v开关使用类似的简单模式：

    (.).*\1

由于检查一次执行一个字符，因此将检查是否有给定的字符后跟零个或多个字符（.*），然后匹配后向引用。 -v反转，仅打印与此模式不匹配的内容。这使得反向引用更加有用，因为它们不能与字符类相抵消，并且很明显：

grep -v '\(.\).*\1'

可以识别具有唯一字符的任意长度的字符串，而：

grep -P '(.)(?!.*\1)'

不会，因为它将匹配具有唯一字符的任何后缀（例如，abcabc由于abc结尾而匹配，并且aaaa由于结尾而匹配a-因此匹配任何字符串）。这是由于环视宽度为零（它们不消耗任何东西）引起的复杂情况。

如果您不需要在regex中完成全部操作，则可以分两步进行：首先匹配所有10个字母的单词，然后过滤它们以确保唯一性。我知道如何执行此操作的最短方法是在Perl中：

perl -nle 'MATCH:while(/\W(\w{10})\W/g){
             undef %seen;
             for(split//,$1){next MATCH if ++$seen{$_} > 1}
             print
           }' your_file

请注意其他\W锚点，以确保仅匹配长度恰好为10个字符的单词。

其他人建议，如果不对某些实际上不是正则的正则表达式系统进行各种扩展，就不可能做到这一点。但是，由于您要匹配的语言是有限的，因此很显然它是常规的。对于4个字母的3个字母，这很容易：

(abc|abd|acb|acd|bac|bad|bcd|bdc|cab|cad|cbd|cdb|dab|dac|dbc|dcb)

显然，这会急于增加更多的字母和更大的字母。:-)

GNU的选项--perl-regexp（简称-P）grep使用更强大的正则表达式，其中包括前瞻模式。以下模式查找该字母在单词其余部分中未出现的每个字母：

grep -Pow '((\w)(?!\w*\g{-1})){10}'

但是，运行时行为非常糟糕，因为它\w*可能具有几乎无限的长度。可以限制为\w{,8}，但也可以检查10个字母以内的单词限制。因此，以下模式首先检查正确的字长：

grep -Pow '(?=\w{10}\b)((\w)(?!\w*\g{-1})){10}'

作为测试文件，我使用了一个≈500 MB的大文件：

• 第一种模式：≈43 s
• 后期模式：≈15秒

更新：

对于非贪婪运算符（\w*?）或所有格运算符（(...){10}+），我找不到运行时行为的重大变化。似乎稍微快了一点，替换了option -w：

grep -Po '\b(?=\w{10}\b)((\w)(?!\w*\g{-1})){10}\b'

将grep从2.13版本更新到2.18更为有效。测试文件只花了大约6 s。

Perl解决方案：

perl -lne 'print if (!/(.)(?=$1)/g && /^\w{10}$/)' file

但它不起作用

perl -lne 'print if (!/(.)(?=\1)/g && /^\w{10}$/)' file

要么

perl -lne 'print if ( /(.)(?!$1)/g && /^\w{10}$/)' file

经过perl v5.14.2和v5.18.2测试