File CSV: il formato senza tipi, senza codifica e senza un comitato

È rimasto venticinque anni senza una specifica. La RFC 4180 è arrivata nel 2005 ed è dichiaratamente informativa e non uno standard — descrive ciò che fa la maggior parte delle implementazioni invece di dire a qualcuno cosa fare. Quello che fissa sono le virgolette: un campo che contiene il separatore, una virgoletta o un a capo viene racchiuso tra virgolette doppie, e una virgoletta dentro un campo del genere viene scritta due volte. Quella regola è la differenza tra "Widget, grande" come cella unica e come due celle, ed è la regola che i parser ingenui saltano.

Il separatore non è in modo affidabile una virgola. Un foglio di calcolo che lavora in una lingua in cui i decimali si scrivono 1,5 non può usare la virgola anche per separare i campi, quindi lì Excel esporta punti e virgola — sullo stesso computer, dallo stesso menu, producendo un file che il paese vicino non riesce ad aprire. Le esportazioni dei database spesso usano tabulazioni. Ogni strumento che legge bene i CSV indovina dalle prime righe, ed è ciò che fa anche questo sito.

Non c’è nemmeno una dichiarazione di codifica, ed è qui che i dati si perdono davvero. Un CSV di nomi cinesi salvato da un programma e aperto da un altro torna come caratteri incomprensibili perché uno presumeva UTF-8 e l’altro la tabella codici di sistema. E dato che ogni campo è testo senza tipo, un foglio di calcolo tira di nuovo a indovinare all’importazione: gli zeri iniziali spariscono dai codici articolo, gli identificativi lunghi diventano notazione scientifica e tutto ciò che sembra una data lo diventa. Il file andava bene; è la sua lettura che no.