CSV-bestanden: het formaat zonder types, zonder codering en zonder commissie

Het ging vijfentwintig jaar zonder specificatie. RFC 4180 kwam er in 2005 en is uitdrukkelijk informatief en geen standaard — het beschrijft wat de meeste uitvoeringen doen in plaats van iemand iets voor te schrijven. Wat het wel regelt, zijn de aanhalingstekens: een veld met het scheidingsteken, een aanhalingsteken of een regeleinde wordt tussen dubbele aanhalingstekens gezet, en een aanhalingsteken binnen zo’n veld wordt dubbel geschreven. Die regel is het verschil tussen “Widget, groot” als één cel of als twee, en het is de regel die naïeve parsers overslaan.

Het scheidingsteken is niet betrouwbaar een komma. Een spreadsheet die draait in landinstellingen waarin decimalen als 1,5 worden geschreven, zoals in Nederland, kan de komma niet ook gebruiken om velden te scheiden, dus Excel exporteert daar puntkomma’s — op dezelfde computer, uit hetzelfde menu, en het levert een bestand op dat het buurland niet kan openen. Exports uit databases gebruiken vaak tabs. Elke tool die CSV goed leest, raadt het scheidingsteken uit de eerste paar regels, en dat doet deze site ook.

Er is ook geen verklaring van de codering, en hier gaan de gegevens echt verloren. Een CSV met Chinese namen, opgeslagen door het ene programma en geopend door een ander, komt terug als wartaal, omdat het ene van UTF-8 uitging en het andere van de systeemcodetabel. En omdat elk veld tekst zonder type is, raadt een spreadsheet bij het importeren opnieuw: voorloopnullen verdwijnen uit onderdeelnummers, lange id’s worden wetenschappelijke notatie, en alles wat op een datum lijkt, wordt er een. Het bestand was in orde; het lezen ervan niet.