Padroneggiare i file CSV con l'IA: struttura, casi d'uso e vantaggi principali

Quasi tutti i sistemi che utilizzi possono esportare un file CSV. È per questo che sopravvive, ed è anche il motivo per cui si rompe in modi che nessuno si aspetta.

Questo articolo spiega cosa specifica effettivamente il formato, dove le implementazioni divergono e per quali attività rappresenta davvero la scelta giusta.

Tutto ciò che riguarda il formato deriva da RFC 4180, il documento di ottobre 2005 che ha registrato il media type text/csv. Lo stesso testo è replicato sul IETF datatracker.

Cos'è in realtà un file CSV

Un file CSV è semplice testo organizzato in record e campi. Non c'è alcuna cartella di lavoro, nessun livello di formattazione e nessun motore di formule al di sotto di esso.

L'RFC 4180 è insolitamente sincero riguardo al proprio status. Dichiara che "non esiste una specifica formale, il che consente un'ampia varietà di interpretazioni dei file CSV".

Quindi il documento descrive una convenzione piuttosto che una legge. Per usare le sue stesse parole, definisce "il formato che sembra essere seguito dalla maggior parte delle implementazioni".

Questa singola frase spiega la maggior parte dei problemi legati ai file CSV. Due strumenti possono essere entrambi del tutto ragionevoli e ciononostante non concordare sullo stesso file.

Le sette regole della specifica

L'RFC 4180 elenca sette regole. Sono abbastanza brevi da essere tenute a mente, e vale la pena farlo.

1. "Ogni record si trova su una riga separata, delimitata da un'interruzione di riga (CRLF)."
2. "L'ultimo record del file può o meno presentare un'interruzione di riga finale."
3. Può esserci una riga di intestazione opzionale come prima riga, con lo stesso numero di campi dei record.
4. I campi sono separati da virgole e "ogni riga dovrebbe contenere lo stesso numero di campi in tutto il file".
5. I campi possono o meno essere racchiusi tra virgolette doppie.
6. "I campi contenenti interruzioni di riga (CRLF), virgolette doppie e virgole dovrebbero essere racchiusi tra virgolette doppie."
7. Una virgoletta doppia all'interno di un campo racchiuso tra virgolette "deve essere preceduta da un'altra virgoletta doppia per farne l'escape."

Due clausole all'interno di queste regole causano più problemi di tutte le altre messe insieme.

Gli spazi sono dati. La regola 4 stabilisce che "gli spazi sono considerati parte di un campo e non dovrebbero essere ignorati". Uno spazio di troppo rappresenta un valore diverso.

Nessuna virgola finale. La stessa regola dice che "l'ultimo campo del record non deve essere seguito da una virgola". Una virgola finale implica un campo vuoto in più.

Perché due file CSV validi possono comunque non concordare

La regola 5 contiene un'ammissione che preannuncia la maggior parte dei problemi nel mondo reale. L'RFC 4180 osserva che "alcuni programmi, come Microsoft Excel, non utilizzano affatto le virgolette doppie".

Una volta che l'uso delle virgolette diventa opzionale, anche la regola di escape nella regola 7 diventa condizionale. Un file scritto da uno strumento può essere letto in modo diverso da un altro senza che nessuno dei due abbia torto.

La grammatica formale mostra quanto sia stretto il percorso sicuro. La definizione di campo della specifica consente solo forme con escape o senza escape, in cui la forma con escape racchiude virgole, ritorni a capo e avanzamenti di riga all'interno di virgolette doppie.

In pratica, è qui che un singolo nome cliente contenente una virgola trasforma una riga in due.

L'errore è silenzioso, ed è questo che lo rende costoso. Non viene generato alcun errore. Si ottiene semplicemente un file con più righe del dovuto, e quelle in più sembrano plausibili.

I due parametri che causano la maggior parte dei problemi

La registrazione MIME nell'RFC 4180 non elenca alcun parametro obbligatorio. Elenca esattamente due parametri opzionali: charset e header.

Entrambi sono opzionali ed entrambi sono i soliti sospetti quando un'importazione va storta.

Charset. La registrazione osserva che "l'uso comune di CSV è US-ASCII", pur consentendo altri set di caratteri. Nulla all'interno del file dichiara quale sia stato utilizzato, motivo per cui i nomi accentati e i simboli di valuta arrivano illeggibili.

Header. La regola 3 rende opzionale la riga di intestazione e la registrazione afferma che la sua presenza "dovrebbe essere indicata tramite il parametro opzionale header". Un file semplice non dice se la prima riga contiene dati o etichette.

Un terzo problema non è affatto presente nella specifica, perché questa non ha nulla da dire al riguardo: non esistono tipi di dati. Ogni campo è testo finché qualcosa a valle non ipotizza diversamente.

Quando un file CSV è la scelta giusta

Il formato vince sulla portabilità, e questo non è un dettaglio da poco.

Spostare dati tra sistemi che non condividono nulla. Qualsiasi coppia di strumenti in grado di leggere testo può scambiarsi un file CSV.

Archiviare qualcosa che si dovrà aprire ancora tra dieci anni. Non c'è alcun lettore proprietario destinato a diventare obsoleto.

Streaming e accodamento. Poiché ogni record corrisponde a una riga, un processo può scrivere righe senza dover riscrivere l'intero file.

Diffing e controllo di versione. Il testo basato su righe funziona con gli strumenti che già utilizzi per il codice.

Quali sono i limiti di un file CSV

Quella stessa semplicità elimina elementi su cui potresti fare affidamento.

Cosa si perde	Perché è importante
Tipi di dati	Zeri iniziali, ID lunghi e date vengono reinterpretati all'importazione
Fogli multipli	Un file corrisponde a una tabella, quindi le relazioni risiedono altrove
Formule e formattazione	Solo i valori calcolati sopravvivono a un'esportazione
Una codifica dichiarata	Nulla all'interno del file dichiara il suo charset
Un delimitatore dichiarato	Le esportazioni separate da punti e virgola sono comuni e vengono comunque chiamate CSV

Nessuno di questi è un bug. Sono il costo di un formato che non trasporta metadati. Qualsiasi cosa tu debba preservare deve essere documentata al di fuori del file stesso.

Sintesi dei vantaggi principali

Se hai bisogno di una sintesi in una riga per ciascun aspetto, eccola.

Un file CSV è il modo più portabile, durevole e trasmissibile in streaming per spostare dati tabulari. Raggiunge questo obiettivo non trasportando nient'altro che i valori.

Questo compromesso vale la pena quando il sistema ricevente è sconosciuto o lontano nel futuro. È un cattivo compromesso quando i tipi, le relazioni o la formattazione devono sopravvivere al viaggio.

Il cugino separato da tabulazioni scambia un problema con un altro. Il nostro articolo di approfondimento su padroneggiare i file TSV spiega dove questo scambio si rivela utile.

Lavorare con i file CSV usando l'AI

Il divario tra "ho il file" e "ho la risposta" è ciò che richiede la maggior parte del tempo. Questo divario è ora ampiamente automatizzabile.

Powerdrill Bloom gestisce direttamente il file. Il suo piano gratuito include caricamenti per Excel, CSV, PDF e documenti, insieme a insight generati, grafici e riepiloghi.

Tre pagine di funzionalità coprono le attività più comuni. L'assistente AI per CSV gestisce le domande su un singolo file. Gli strumenti AI per CSV coprono un set più ampio, e unisci file CSV combina esportazioni arrivate separatamente. La pagina di analisi TSV copre la variante separata da tabulazioni.

Descrivere l'attività in linguaggio naturale evita le solite deviazioni. Non devi scrivere un parser o indovinare una codifica, devi solo indicare l'output di cui hai bisogno.

I piani sono disponibili sulla pagina dei prezzi, e il livello gratuito è sufficiente per testarlo su un'esportazione reale. Per provarlo, inizia con Powerdrill Bloom.

Domande frequenti

Esiste uno standard CSV ufficiale?

L'RFC 4180 ha registrato il media type text/csv e ha documentato la pratica comune. Afferma chiaramente che non esisteva alcuna specifica formale, quindi va considerato come una convenzione piuttosto che come uno standard rigoroso.

Perché spariscono i miei zeri iniziali?

Il formato non trasporta tipi di dati, quindi uno strumento a valle decide che un valore come 00123 è un numero. Racchiuderlo tra virgolette non sempre impedisce questa interpretazione.

Come dovrei gestire le virgole all'interno di un valore?

Racchiudi il campo tra virgolette doppie, come da regola 6. Se il valore contiene anche una virgoletta doppia, fanne l'escape raddoppiandola, come da regola 7.

I file separati da punti e virgola sono comunque CSV?

Sono ampiamente prodotti e comunemente chiamati CSV, mas la specifica descrive l'uso delle virgole. Verifica il delimitatore prima di importare invece di dare per scontato il formato. Aprire le prime due righe in un editor di testo richiede pochi secondi e risolve il dubbio.

CSV o TSV: quale dovrei esportare?

Scegli in base ai tuoi dati. Le tabulazioni sono più rare delle virgole all'interno dei valori di testo, il che riduce la necessità di usare le virgolette. Le tabulazioni sono anche più facili da perdere quando un file viene copiato tramite un editor.