CSV-Datei öffnen

Eine CSV lesen, ohne Excel ranzulassen

Der Grund, eine CSV hier statt in Excel anzusehen: Excel bearbeitet sie schon beim Öffnen. Eine führende Null in einer Postleitzahl oder Kontonummer wird entfernt, weil die Spalte numerisch aussieht. Eine Kennung mit mehr als fünfzehn Stellen wird gerundet. Alles, was einem Datum ähnelt, wird ins lokale Format umgeschrieben, sodass 03/05 je nach Land etwas anderes bedeutet. Und ein Genname wie SEPT1 wird zum Datum – ein so hartnäckiges Problem, dass Genetiker die Gene umbenannt haben. Hier passiert nichts dergleichen: Werte werden genau so angezeigt, wie die Bytes in der Datei es sagen.

Für CSV gibt es keinen echten Standard, daher ist die erste Aufgabe herauszufinden, was für eine Datei es ist. Das Trennzeichen kann ein Komma, ein Semikolon oder ein Tab sein – europäische Gebietsschemas exportieren mit Semikolon, weil das Komma dort Dezimaltrennzeichen ist –, und die Kodierung kann UTF-8 oder eine alte Codepage sein, was bei falscher Annahme Namen mit Akzenten in Zeichensalat verwandelt. Beides wird erkannt statt angenommen, was fast jeden echten Export abdeckt, und beides lässt sich überschreiben, wenn die Erkennung danebenliegt, statt Sie festsitzen zu lassen.

An den Anführungszeichen scheitern naive Viewer. Ein Feld in Anführungszeichen darf ganz legal Kommas, Zeilenumbrüche und verdoppelte Anführungszeichen enthalten, sodass eine Zeile mit einer Postanschrift in der Datei mehrere physische Zeilen umfasst und trotzdem ein Datensatz bleibt. Alles, was einfach an Kommas trennt, zerlegt genau diese Zeilen – weshalb eine Datei im Texteditor gut und im Viewer falsch aussieht, oder umgekehrt.

Eine ungleichmäßige Datei – Zeilen mit mehr oder weniger Feldern als die Kopfzeile – wird so angezeigt, wie sie ist, statt stillschweigend aufgefüllt oder abgeschnitten zu werden. Eine Zeile mit der falschen Feldanzahl ist meist das Symptom eines Anführungszeichen-Problems weiter oben, und wer sie versteckt, versteckt den Fehler. Die gesamte Datei wird in der Seite geparst, daher ist der Speicherbedarf proportional zu ihrer Größe.

Wenn Sie etwas anderes brauchen

Auf der Kommandozeile ist csvkit genau dafür gemacht: csvlook gibt eine ausgerichtete Tabelle aus, csvstat fasst jede Spalte zusammen, und csvclean meldet und repariert die ungleichmäßigen Zeilen. Miller – mlr --icsv --opprint cat data.csv – macht dasselbe in hohem Tempo und kommt mit Dateien zurecht, die größer als der Arbeitsspeicher sind. VisiData sollten Sie für interaktives Erkunden kennen: Es öffnet eine mehrere Gigabyte große Datei sofort im Terminal, mit Sortieren, Filtern und Häufigkeitszählungen.

Wenn Sie eine CSV unbedingt in Excel öffnen müssen, nutzen Sie Daten → Aus Text/CSV, statt sie doppelt anzuklicken. Im Importdialog legen Sie den Typ jeder Spalte fest, bevor irgendetwas geparst wird – der einzig zuverlässige Weg, die oben beschriebenen Umwandlungen zu verhindern. Ein Doppelklick erlaubt Excel zu raten, und Excel rät mit großer Überzeugung.