利用 AI 掌握 CSV 文件：结构、使用场景与核心优势

几乎您使用的每一个系统都可以导出 CSV 文件。这就是它得以存续的原因，也是它会以意想不到的方式出错的原因。

本文将介绍该格式的实际规范、不同实现方式的分歧所在，以及它真正适合用于哪些工作。

关于该格式的一切都源自 RFC 4180，这是 2005 年 10 月发布的一份注册了 text/csv 媒体类型的文档。相同的文本也镜像在 IETF datatracker 上。

CSV 文件究竟是什么

CSV 文件是排列成记录和字段的纯文本。它底层没有工作簿、没有格式化层，也没有公式引擎。

RFC 4180 对其自身的地位坦诚得异乎寻常。它指出“目前不存在正式的规范，这导致对 CSV 文件存在各种各样的解释”。

因此，该文档描述的是惯例而非法律。用它自己的话来说，它阐明了“大多数实现似乎都在遵循的格式”。

这简单的一句话解释了使用 CSV 时遇到的大多数痛苦。两个工具可能都完全合理，但对同一个文件却有着不同的解读。

规范中的七条规则

RFC 4180 列出了七条规则。它们足够简短，值得您牢记于心。

1. “每条记录位于单独的一行，由换行符 (CRLF) 分隔。”
2. “文件中的最后一条记录末尾可以有换行符，也可以没有。”
3. 第一行可以有一个可选的标题行，其字段数量与记录的字段数量相同。
4. 字段由逗号分隔，并且“整个文件中每行应包含相同数量的字段”。
5. 字段可以包含在双引号中，也可以不包含。
6. “包含换行符 (CRLF)、双引号和逗号的字段应包含在双引号中。”
7. 被引号包围的字段内部的双引号“必须通过在其前面加上另一个双引号来进行转义”。

这些规则中的两个条款带来的麻烦比其他所有条款加起来还要多。

空格也是数据。规则 4 指出“空格被视为字段的一部分，不应被忽略”。一个多余的空格就是一个不同的值。

末尾不能有逗号。同一条规则还指出“记录中的最后一个字段后面不能跟逗号”。末尾的逗号意味着多出一个空字段。

为什么两个有效的 CSV 文件仍会产生分歧

规则 5 包含了一个预示了大多数现实世界故障的承认。RFC 4180 指出“某些程序（例如 Microsoft Excel）根本不使用双引号”。

一旦引号变成可选的，规则 7 中的转义规则也就变成了有条件的。一个工具写入的文件可能会被另一个工具以不同的方式读取，而两者都没有错。

正式的语法表明了安全路径是多么狭窄。该规范的字段定义仅允许转义或非转义形式，其中转义形式将逗号、回车符和换行符包裹在双引号内。

在实际应用中，这就是一个带有逗号的客户姓名会将一行数据变成两行的原因。

这种失败是悄无声息的，这也正是其代价高昂的原因。没有任何报错。您只是得到了一个行数超出预期的文件，而且多出来的行看起来还挺合理的。

导致大多数故障的两个参数

RFC 4180 中的 MIME 注册根本没有列出任何必需的参数。它只列出了两个可选参数：charset 和 header。

两者都是可选的，而且在导入出错时，两者通常都是“罪魁祸首”。

Charset（字符集）。注册信息指出“CSV 的常用用法是 US-ASCII”，同时也允许其他字符集。文件内部没有任何内容声明使用了哪种字符集，这就是为什么带重音符号的名字和货币符号导入后会变成乱码。

Header（标题）。规则 3 使标题行成为可选，注册信息表示其存在“应通过可选的 header 参数来指示”。一个光秃秃的文件不会告诉你第一行是数据还是标签。

第三个问题根本不在规范中，因为规范对此只字未提：没有数据类型。在下游的某些环节做出其他猜测之前，每个字段都是文本。

在哪些场景下 CSV 文件是正确的选择

该格式在便携性上胜出，这可不是一件小事。

在毫无关联的系统之间迁移数据。任何两个能够读取文本的工具都可以交换 CSV 文件。

归档十年后仍必须打开的文件。没有会过时的专用阅读器。

流式传输和追加。因为每条记录都是一行，所以程序可以写入行而无需重写整个文件。

差异对比（Diffing）和版本控制。基于行的文本适用于您已用于代码的工具。

在哪些场景下 CSV 文件会让你付出代价

同样的简单性也去掉了您可能依赖的功能。

您失去了什么	为什么这很重要
数据类型	前导零、长 ID 和日期在导入时会被重新解释
多个工作表	一个文件就是一张表，因此关联关系必须存在于其他地方
公式和格式	导出后只有计算出的值能保留下来
声明的编码	文件内部没有任何内容说明其字符集
声明的分隔符	分号分隔的导出很常见，且仍被称为 CSV

这些都不是 Bug。它们是使用不携带元数据的格式所付出的代价。任何您需要保留的内容都必须在文件本身之外进行记录。

核心优势总结

如果您需要一句话的总结，那就是它了。

CSV 文件是移动表格数据最便携、最持久且最适合流式传输的方式。它通过除了数值之外不携带任何其他内容来实现这一点。

当接收系统未知或在遥远的未来时，这种权衡是值得的。但如果类型、关联关系或格式必须在传输过程中保留下来，这就是一个糟糕的权衡。

它的制表符分隔（TSV）表亲则是用一个问题换取了另一个问题。我们关于掌握 TSV 文件的配套文章介绍了这种交换在哪些方面有所帮助。

使用 AI 处理 CSV 文件

“我拿到了文件”与“我得到了答案”之间的差距是大部分时间消耗的地方。现在，这一差距在很大程度上可以实现自动化。

Powerdrill Bloom 可以直接接收文件。其免费计划支持上传 Excel、CSV、PDF 和文档，并能生成洞察、图表和摘要。

三个功能页面涵盖了常见的工作。 CSV AI 助手处理关于单个文件的问题。CSV AI 工具涵盖了更广泛的工具集，而合并 CSV 文件则可以合并分别导出的文件。TSV 分析页面涵盖了制表符分隔的变体。

用自然语言描述任务可以避免通常的弯路。您不需要编写解析器或猜测编码，只需指明您需要的输出即可。

方案可在定价页面查看，免费档已足够在真实的导出文件上进行测试。如需尝试，请从 Powerdrill Bloom 开始。

常见问题解答

是否存在官方的 CSV 标准？

RFC 4180 注册了 text/csv 媒体类型并记录了常见做法。它直截了当地指出不存在正式的规范，因此请将其视为惯例，而非严格的标准。

为什么我的前导零消失了？

该格式不携带数据类型，因此下游工具会判定像 00123 这样的值是一个数字。用引号将其包围并不总能阻止这种猜测。

我该如何处理值内部的逗号？

根据规则 6，将该字段用双引号包围。如果该值还包含双引号，则根据规则 7，通过将其双写来进行转义。

分号分隔的文件仍是 CSV 吗？

它们被广泛生成并被广泛称为 CSV，但规范描述的是逗号。在导入之前请检查分隔符，而不是凭空假设。在文本编辑器中打开前两行只需几秒钟，就能解决这个问题。

CSV 还是 TSV：我应该导出哪种？

根据您的数据进行选择。在文本值中，制表符比逗号更罕见，这减少了使用引号的需要。但当文件通过编辑器复制时，制表符也更容易丢失。