Python 更高效的正则表达式

我正在解析大约200000个文档（每个文档约1-3gb），以使用regex删除所有非字母数字字符，并匹配一些古老代码的输入格式。每个单词/数字都需要用

分隔

我把它们分成了不同的部分，这样就可以了，但我一直试图将这些表达式合并成一个，但都没有成功

我怎样才能把这些碎片组合在一起

组合表达式的考虑因素是什么

def clean_document(raw_input):
    no_more_etf = re.sub(r'[^\x00-\x7F]+', '', raw_input)
    no_more_non_utf = re.sub(r'[\000-\011\013-\037]', '', no_more_etf)
    no_more_spaces = re.sub('\s+', '_', no_more_non_utf.strip())
    almost_there = re.sub('[^0-9a-zA-Z]+', '_', no_more_spaces)
    clean_string = almost_there.lower()
    return clean_string

示例字符串：
”“车辆在哪里我是一群隨機人物 "国家“=>”35214“细化”=>“3”我的书在哪里“我是一个脏数组对象”=>“类别ID”=>“2,5,7,8”“数据大小单位”=>，“交付格式”=>“1,4”“交付方法”=>“1,2”，“价格货币”=>“1”，“试用货币”=>“1”，“类别”=>“2,10,19”，“交付增长单位®”=>，“试用期单位”=>“6”，私の本はどこですか “收集时间单位”=>，“策略”=>“2,3,4,6”，“处理时间单位”=>，“交付频率单位”=>，“订阅持续时间单位”=>“6”®®交付车辆的GPS地点访问”
您可以使用标准字符串的翻译方法执行所有这些替换（除了.strip（））（请参见string.translate和string.maketrans）

如果您不想使用translate，那么可以在函数之外准备替换模式的编译版本，并在re.sub（）调用中使用编译版本而不是多个也会使事情变得更快。
那些具有相同替换模式的
re.sub
s通常可以被OR。
re.sub（r'[^\x00-\x7F]+'，''，raw_input）
和
re.sub（r'[\000-\011\013-\037]，''，无更多etf）
可以写成
re.sub（r'[^\x00-\x7F]+\124000-\013-\037，''，raw-u input）
。另外，
“[^0-9a-zA-Z]+”
匹配空格，因此您的
无更多空格=re.sub（“\s+”，“\u2+”，无更多非utf.strip（））
是多余的。您可以将is重写为
def clean\u文档（原始输入）：返回re.sub（r'[^0-9a-zA-Z]+'，“\u2+”，re.sub（r'[^\x00-\ux7f]+\013-”，原始输入）
Ah ok，我的错误是语法错误，试图用一种组合模式进行两种不同的替换。谢谢！