Mở file CSV

Đọc CSV mà không để Excel đụng vào

Lý do nên xem CSV ở đây thay vì trong Excel là Excel sửa file ngay khi mở nó. Số 0 đứng đầu của mã bưu chính hay số tài khoản bị xóa, vì cột trông giống số. Một mã định danh dài hơn mười lăm chữ số bị làm tròn. Bất cứ thứ gì trông giống ngày tháng đều bị định dạng lại theo quy ước địa phương, nên 03/05 mang nghĩa khác nhau tùy quốc gia. Và một tên gen như SEPT1 trở thành ngày tháng — vấn đề dai dẳng đến mức các nhà di truyền học đã phải đổi tên các gen đó. Ở đây không có chuyện nào như vậy: giá trị được hiển thị đúng như các byte trong file.

CSV không có tiêu chuẩn thực sự, nên việc đầu tiên là xác định file thuộc loại nào. Dấu phân tách có thể là dấu phẩy, dấu chấm phẩy hoặc tab — các vùng ở châu Âu xuất bằng dấu chấm phẩy, vì dấu phẩy là dấu thập phân của họ — và bảng mã có thể là UTF-8 hoặc một bảng mã cũ, chính là thứ biến tên có dấu thành chữ lỗi font khi đoán sai. Cả hai đều được tự động nhận diện chứ không giả định, điều xử lý được gần như mọi file xuất thực tế, và cả hai đều có thể chỉnh lại khi nhận diện sai thay vì để bạn bị kẹt.

Dấu ngoặc kép là chỗ các trình xem đơn giản thất bại. Một trường có dấu ngoặc kép hoàn toàn hợp lệ khi chứa dấu phẩy, dấu xuống dòng và dấu ngoặc kép kép, nên một hàng chứa địa chỉ bưu chính có thể trải trên nhiều dòng vật lý trong file mà vẫn là một bản ghi. Bất cứ thứ gì tách theo dấu phẩy đều làm hỏng đúng những hàng đó — đó là lý do một file trông ổn trong trình soạn thảo văn bản nhưng sai trong trình xem, hoặc ngược lại.

Một file lệch cột — các hàng có nhiều hoặc ít trường hơn hàng tiêu đề — được hiển thị nguyên trạng thay vì lặng lẽ bù thêm hoặc cắt bớt, vì một hàng sai số trường thường là triệu chứng của lỗi dấu ngoặc kép ở phía trên, và che giấu nó là che giấu lỗi. Toàn bộ file được phân tích trong trang, nên bộ nhớ sử dụng tương ứng với dung lượng của nó.

Khi bạn cần công cụ khác

Ở dòng lệnh, csvkit được tạo ra chính cho việc này: csvlook in ra một bảng căn thẳng hàng, csvstat tóm tắt mọi cột, và csvclean báo cáo và sửa các hàng lệch cột. Miller — mlr --icsv --opprint cat data.csv — làm được điều tương tự với tốc độ cao và xử lý được file lớn hơn bộ nhớ. VisiData là công cụ đáng biết để khám phá dữ liệu tương tác: nó mở file nhiều gigabyte ngay lập tức trong terminal, có sắp xếp, lọc và đếm tần suất.

Nếu buộc phải mở CSV trong Excel, hãy dùng Data → From Text/CSV thay vì nhấn đúp vào file. Hộp thoại nhập cho phép bạn đặt kiểu dữ liệu cho từng cột trước khi bất cứ thứ gì được phân tích, và đó là cách đáng tin cậy duy nhất để ngăn các phép chuyển đổi kể trên. Nhấn đúp là cho phép Excel tự đoán, và nó đoán rất tự tin.