Archivos CSV: el formato sin tipos, sin codificación y sin comité

Pasó veinticinco años sin especificación. El RFC 4180 llegó en 2005 y es explícitamente informativo, no un estándar: describe lo que hace la mayoría de las implementaciones, no le dice a nadie lo que tiene que hacer. Lo que sí deja resuelto son las comillas: un campo que contiene el separador, una comilla o un salto de línea se encierra entre comillas dobles, y una comilla dentro de ese campo se escribe dos veces. Esa regla es la diferencia entre que "Widget, large" sea una celda o dos, y es la regla que se saltan los analizadores ingenuos.

El separador no siempre es una coma. Una hoja de cálculo configurada en una región que escribe los decimales como 1,5 no puede usar también la coma para separar campos, así que allí Excel exporta con punto y coma: en el mismo equipo, desde el mismo menú, generando un archivo que el país vecino no puede abrir. Las exportaciones de bases de datos suelen usar tabuladores. Cualquier herramienta que lea bien los CSV lo adivina a partir de las primeras líneas, que es también lo que hace esta web.

Tampoco hay ninguna declaración de codificación, y es aquí donde de verdad se pierden los datos. Un CSV de nombres chinos guardado por un programa y abierto por otro sale como caracteres ilegibles porque uno supuso UTF-8 y el otro la página de códigos del sistema. Y como cada campo es texto sin tipo, la hoja de cálculo vuelve a adivinar al importar: desaparecen los ceros a la izquierda de las referencias, los identificadores largos se convierten en notación científica y todo lo que parece una fecha se convierte en una. El archivo estaba bien; lo que falló fue la forma de leerlo.