使用awk/sed按条件移除制表分隔文件指定列首词并裁剪内容

需求说明 #

需要处理制表符分隔的文本文件，仅对第三列执行指定规则转换，其余列原样保留输出，第三列处理规则：

• 规则1：同时满足两个条件时，移除第三列第一个单词：① 第一个单词全为小写字母；② 第二个单词首字母大写
• 规则2：完成规则1处理后判断：如果该列整段字符串并非全小写，仅保留前2个单词，裁剪多余内容；如果整段全小写则保留全部内容
  优先awk实现，sed方案也可接受。

现存问题 #

原有sed+awk组合管道只能单独提取第三列处理，无法保留其他列输出完整行；不清楚如何让sed仅匹配指定列模式，也不知道awk无反向引用时如何实现匹配逻辑。
原有问题代码：

cat text.txt |
awk -F"	" '{print $3}' |
sed -E 's/^[a-z]* ([A-Z])/\1/' |
awk '{if($1 ~ /^[[:upper:]]/) {print $1, $2} else {print $0}}'

测试样例 #

输入文件内容 #

col1    col2            col3
123     a string        James jones MD MSc
154     string          mister George smith
163     String          mrs anne jones
193     String          john
157     big string 1    dude George

期望输出 #

col1    col2            col3
123     a string        James jones
154     string          George smith
163     String          mrs anne jones
193     String          john
157     big string 1    George

纯awk实现方案 #

不需要依赖sed，也不需要正则反向引用，直接把第三列拆分为单词数组逐段处理即可，逻辑清晰且不会丢失其他列内容：

awk -F'\t' 'BEGIN{OFS="\t"} {
    # 将第三列按空格拆分为单词数组
    word_cnt = split($3, words, /[[:space:]]+/)
    
    # 执行规则1：判断是否需要移除第一个单词
    if (word_cnt >= 2 && words[1] ~ /^[a-z]+$/ && substr(words[2], 1, 1) ~ /[A-Z]/) {
        for (i = 1; i < word_cnt; i++) {
            words[i] = words[i+1]
        }
        word_cnt--
    }

    # 判断处理后的第三列是否全为小写
    all_lower = 1
    for (i = 1; i <= word_cnt; i++) {
        if (words[i] !~ /^[a-z]+$/) {
            all_lower = 0
            break
        }
    }

    # 执行规则2：拼接最终第三列内容
    new_col3 = ""
    if (all_lower) {
        # 全小写保留全部内容
        for (i = 1; i <= word_cnt; i++) {
            new_col3 = new_col3 (i>1 ? " " : "") words[i]
        }
    } else {
        # 非全小写最多保留前2个单词
        keep_cnt = word_cnt >= 2 ? 2 : word_cnt
        for (i = 1; i <= keep_cnt; i++) {
            new_col3 = new_col3 (i>1 ? " " : "") words[i]
        }
    }

    $3 = new_col3
    print
}' text.txt

逻辑说明 #

• 指定输入、输出分隔符均为制表符，保证非处理列格式、内容完全不变
• 针对第三列单独拆分为单词数组操作，不需要正则反向引用，避免正则匹配边界问题
• 处理完成后直接替换第三列值打印整行，不会出现列丢失问题
• 兼容表头行、单词数不足2个的边界场景

内容的提问来源于stack exchange，提问作者Andy