Dominando los archivos CSV con IA: estructura, casos de uso y ventajas clave
Casi todos los sistemas que utiliza pueden exportar un archivo CSV. Por eso sobrevive, y también por eso falla de formas que nadie se espera.
Este artículo analiza lo que realmente especifica el formato, dónde difieren las implementaciones y para qué tareas es realmente la opción adecuada.
Todo lo relacionado con el formato proviene del RFC 4180, el documento de octubre de 2005 que registró el tipo de medio text/csv. El mismo texto se encuentra replicado en el IETF datatracker.
Qué es realmente un archivo CSV
Un archivo CSV es texto plano organizado en registros y campos. No hay ningún libro de trabajo, capa de formato ni motor de fórmulas por debajo.
El RFC 4180 es inusualmente sincero sobre su propio estatus. Declara que "no existe una especificación formal, lo que permite una amplia variedad de interpretaciones de los archivos CSV".
Por lo tanto, el documento describe una convención más que una ley. En sus propias palabras, establece "el formato que parece seguir la mayoría de las implementaciones".
Esa sola frase explica la mayor parte del dolor de cabeza que causa el formato CSV. Dos herramientas pueden ser totalmente razonables y, aun así, discrepar sobre el mismo archivo.
Las siete reglas de la especificación
El RFC 4180 enumera siete reglas. Son lo suficientemente cortas como para recordarlas, y vale la pena hacerlo.
- "Cada registro se ubica en una línea separada, delimitada por un salto de línea (CRLF)".
- "El último registro del archivo puede o no tener un salto de línea final".
- Puede haber una línea de encabezado opcional como primera línea, con la misma cantidad de campos que los registros.
- Los campos se separan por comas, y "cada línea debe contener el mismo número de campos en todo el archivo".
- Los campos pueden o no estar encerrados entre comillas dobles.
- "Los campos que contengan saltos de línea (CRLF), comillas dobles y comas deben estar encerrados entre comillas dobles".
- Una comilla doble dentro de un campo entrecomillado "debe escaparse precediéndola con otra comilla doble".
Dos cláusulas dentro de esas reglas causan más problemas que el resto combinado.
Los espacios son datos. La regla 4 establece que "los espacios se consideran parte de un campo y no deben ignorarse". Un espacio suelto representa un valor diferente.
Sin coma final. La misma regla dice que "el último campo del registro no debe ir seguido de una coma". Una coma final implica un campo vacío adicional.
Por qué dos archivos CSV válidos pueden seguir discrepando
La regla 5 contiene una admisión que anticipa la mayoría de los fallos en el mundo real. El RFC 4180 señala que "algunos programas, como Microsoft Excel, no utilizan comillas dobles en absoluto".
Una de las consecuencias de que el entrecomillado sea opcional es que la regla de escape de la regla 7 también se vuelve condicional. Un archivo escrito por una herramienta puede ser leído de forma diferente por otra sin que ninguna de las dos esté equivocada.
La gramática formal muestra lo estrecho que es el camino seguro. La definición de campo de la especificación solo permite formas escapadas o no escapadas, donde la forma escapada envuelve comas, retornos de carro y saltos de línea dentro de comillas dobles.
En la práctica, aquí es donde un solo nombre de cliente con una coma convierte una fila en dos.
El fallo es silencioso, que es lo que lo hace costoso. No se produce ningún error. Simplemente obtiene un archivo con más filas de las que debería tener, y las adicionales parecen plausibles.
Los dos parámetros que causan la mayoría de los fallos
El registro MIME en el RFC 4180 no incluye ningún parámetro obligatorio. Enumera exactamente dos opcionales: charset y header.
Ambos son opcionales, y ambos son los sospechosos habituales cuando una importación sale mal.
Charset. El registro señala que "el uso común de CSV es US-ASCII", aunque permite otros conjuntos de caracteres. Nada dentro del archivo anuncia cuál se utilizó, razón por la cual los nombres con acentos y los símbolos de moneda llegan como caracteres extraños.
Header. La regla 3 hace que la línea de encabezado sea opcional, y el registro dice que su presencia "debe indicarse a través del parámetro opcional header". Un archivo simple no le indica si la fila uno contiene datos o etiquetas.
Un tercer problema ni siquiera figura en la especificación, porque esta no tiene nada que decir al respecto: no existen tipos de datos. Cada campo es texto hasta que algún proceso posterior asuma lo contrario.
Cuándo un archivo CSV es la opción adecuada
El formato gana en portabilidad, y eso no es poca cosa.
Mover datos entre sistemas que no comparten nada. Dos herramientas cualesquiera que puedan leer texto pueden intercambiar un archivo CSV.
Archivar algo que deba seguir abriendo dentro de diez años. No hay ningún lector propietario que pueda quedar obsoleto.
Transmisión y anexión de datos (streaming y appending). Dado que cada registro es una línea, un proceso puede escribir filas sin tener que volver a escribir todo el archivo.
Comparación (diffing) y control de versiones. El texto basado en líneas funciona con las herramientas que ya utiliza para el código.
Dónde le perjudica un archivo CSV
Esa misma simplicidad elimina elementos de los que podría estar dependiendo.
| Lo que se pierde | Por qué es importante |
|---|---|
| Tipos de datos | Los ceros a la izquierda, los ID largos y las fechas se reinterpretan al importar |
| Múltiples hojas | Un archivo es una sola tabla, por lo que las relaciones residen en otra parte |
| Fórmulas y formato | Solo los valores calculados sobreviven a una exportación |
| Una codificación declarada | Nada dentro del archivo indica su charset |
| Un delimitador declarado | Las exportaciones separadas por punto y coma son comunes y se siguen llamando CSV |
Ninguno de estos son errores. Son el costo de un formato que no contiene metadatos. Cualquier cosa que necesite conservar debe documentarse fuera del propio archivo.
Resumen de las ventajas clave
Si necesita una sola línea para cada postura, aquí la tiene.
Un archivo CSV es la forma más portable, duradera y transmisible de mover datos tabulares. Lo logra al no transportar nada más que los valores.
Vale la pena hacer ese intercambio cuando el sistema receptor es desconocido o se encuentra en un futuro lejano. Es un mal intercambio cuando los tipos, las relaciones o el formato tienen que sobrevivir al viaje.
Su primo separado por tabuladores cambia un problema por otro. Nuestro artículo complementario sobre dominar los archivos TSV analiza en qué casos ayuda ese cambio.
Trabajar con archivos CSV utilizando IA
La brecha entre "tengo el archivo" y "tengo la respuesta" es donde se va la mayor parte del tiempo. Esa brecha ahora es en gran medida automatizable.
Powerdrill Bloom acepta el archivo directamente. Su plan gratuito incluye cargas para Excel, CSV, PDF y documentos, junto con información generada, gráficos y resúmenes.
Tres páginas de funciones cubren las tareas comunes. El asistente de IA para CSV responde preguntas sobre un solo archivo. Las herramientas de IA para CSV cubren un conjunto más amplio, y fusionar archivos CSV combina exportaciones que llegaron por separado. La página de análisis de TSV cubre la variante separada por tabuladores.
Describir la tarea en lenguaje natural evita el desvío habitual. No tiene que escribir un analizador sintáctico ni adivinar una codificación, simplemente está nombrando el resultado que necesita.
Los planes se encuentran en la página de precios, y el nivel gratuito es suficiente para probar esto con una exportación real. Para probarlo, comience con Powerdrill Bloom.
Preguntas frecuentes
¿Existe un estándar oficial para CSV?
El RFC 4180 registró el tipo de medio text/csv y documentó la práctica común. Dice claramente que no existía ninguna especificación formal, por lo que debe tratarse como una convención más que como un estándar estricto.
¿Por qué desaparecen mis ceros a la izquierda?
El formato no incluye tipos de datos, por lo que una herramienta posterior decide que un valor como 00123 es un número. Ponerlo entre comillas no siempre evita esta suposición.
¿Cómo debo manejar las comas dentro de un valor?
Envuelva el campo entre comillas dobles, según la regla 6. Si el valor también contiene una comilla doble, escápela duplicándola, según la regla 7.
¿Los archivos separados por punto y coma siguen siendo CSV?
Se producen ampliamente y se les llama comúnmente CSV, pero la especificación describe comas. Verifique el delimitador antes de importar en lugar de darlo por sentado. Abrir las dos primeras líneas en un editor de texto toma segundos y resuelve la duda.
CSV o TSV: ¿cuál debería exportar?
Elija en función de sus datos. Las tabulaciones son menos comunes dentro de los valores de texto que las comas, lo que reduce la necesidad de entrecomillar. Las tabulaciones también son más fáciles de perder cuando un archivo se copia a través de un editor.