CSV फ़ाइल खोलें

Excel को छूने दिए बिना CSV पढ़ना

CSV को Excel की बजाय यहां देखने की वजह यह है कि Excel उसे खोलते समय ही बदल देता है। पिनकोड या अकाउंट नंबर के आगे का शून्य हटा दिया जाता है, क्योंकि कॉलम नंबर जैसा दिखता है। पंद्रह अंकों से लंबा आइडेंटिफ़ायर राउंड हो जाता है। जो कुछ भी तारीख़ जैसा दिखे, उसे स्थानीय तरीक़े में बदल दिया जाता है, इसलिए 03/05 का मतलब देश के हिसाब से बदल जाता है। और SEPT1 जैसा जीन का नाम तारीख़ बन जाता है — यह समस्या इतनी पुरानी है कि वैज्ञानिकों ने जीन के नाम ही बदल दिए। यहां ऐसा कुछ नहीं होता: हर वैल्यू ठीक वैसी दिखाई जाती है जैसी फ़ाइल की बाइट कहती हैं।

CSV का कोई पक्का स्टैंडर्ड नहीं है, इसलिए पहला काम यह पता करना है कि फ़ाइल है किस तरह की। डिलिमिटर कॉमा, सेमीकोलन या टैब हो सकता है — यूरोप के कई देश सेमीकोलन से एक्सपोर्ट करते हैं, क्योंकि वहां कॉमा दशमलव का निशान है — और एन्कोडिंग UTF-8 या कोई पुराना code page हो सकती है, जिसका ग़लत अंदाज़ा लगाने पर एक्सेंट वाले नाम अजीब चिह्नों में बदल जाते हैं। दोनों पहले से मानी नहीं जातीं, पहचानी जाती हैं, जिससे लगभग हर असली एक्सपोर्ट संभल जाता है, और पहचान ग़लत होने पर दोनों को बदला जा सकता है, ताकि आप अटके न रहें।

कोटिंग वह जगह है जहां सीधे-सादे व्यूअर फ़ेल होते हैं। कोटेशन में बंद फ़ील्ड में नियम से कॉमा, लाइन ब्रेक और दोहरे कोटेशन मार्क हो सकते हैं, इसलिए डाक पते वाली पंक्ति फ़ाइल में कई लाइनों में फैली होती है, फिर भी वह एक ही रिकॉर्ड रहती है। जो कुछ भी सिर्फ़ कॉमा पर बांटता है, वह ठीक इन्हीं पंक्तियों को बिगाड़ देता है — इसीलिए कोई फ़ाइल टेक्स्ट एडिटर में ठीक और व्यूअर में ग़लत दिखती है, या इसका उल्टा।

बेतरतीब फ़ाइल — यानी जिसकी पंक्तियों में हेडर से ज़्यादा या कम फ़ील्ड हों — जैसी है वैसी दिखाई जाती है, उसे चुपचाप भरा या काटा नहीं जाता, क्योंकि ग़लत संख्या में फ़ील्ड वाली पंक्ति आम तौर पर ऊपर कहीं कोटिंग की समस्या का लक्षण होती है, और उसे छिपाना बग को छिपाना है। पूरी फ़ाइल पेज के अंदर ही पार्स होती है, इसलिए मेमोरी का इस्तेमाल उसके साइज़ के अनुपात में होता है।

जब आपको कुछ और चाहिए

कमांड लाइन पर csvkit ठीक इसी काम के लिए बना है: csvlook एक सीधी-सधी टेबल दिखाता है, csvstat हर कॉलम का सार देता है, और csvclean बेतरतीब पंक्तियों की रिपोर्ट करके उन्हें ठीक करता है। Miller — mlr --icsv --opprint cat data.csv — यही काम तेज़ी से करता है और मेमोरी से बड़ी फ़ाइलें भी संभालता है। इंटरैक्टिव तरीक़े से खंगालने के लिए VisiData जानने लायक है: यह कई गीगाबाइट की फ़ाइल टर्मिनल में तुरंत खोल देता है, सॉर्टिंग, फ़िल्टरिंग और गिनती के साथ।

अगर CSV को Excel में खोलना ही है, तो उस पर डबल-क्लिक करने की बजाय Data → From Text/CSV इस्तेमाल करें। इम्पोर्ट वाले डायलॉग में आप कुछ भी पार्स होने से पहले हर कॉलम का टाइप तय कर सकते हैं, और ऊपर बताए बदलावों को रोकने का यही एक भरोसेमंद तरीक़ा है। डबल-क्लिक करने से Excel को अंदाज़ा लगाने की छूट मिल जाती है, और वह पूरे आत्मविश्वास से अंदाज़ा लगाता है।