Файли CSV: формат без типів, без кодування й без комітету

Двадцять п’ять років він жив без специфікації. RFC 4180 з’явився у 2005 році й прямо має статус інформаційного, а не стандарту — він описує, що робить більшість реалізацій, а не наказує комусь, що робити. Що він таки встановлює, то це лапки: поле, що містить роздільник, лапки чи розрив рядка, береться в подвійні лапки, а лапки всередині такого поля пишуться двічі. Це правило — різниця між тим, що «Widget, large» є однією клітинкою, і тим, що двома, і саме його пропускають наївні парсери.

Роздільник — не обов’язково кома. Електронна таблиця в локалі, де десяткові дроби пишуть як 1,5, не може водночас використовувати кому для розділення полів, тож Excel там експортує крапку з комою — на тому самому комп’ютері, з того самого меню, створюючи файл, який не відкриє сусідня країна. Експорт із баз даних часто використовує табуляцію. Кожен інструмент, що добре читає CSV, вгадує роздільник за першими кількома рядками, і цей сайт робить так само.

Немає й декларації кодування, і саме тут дані справді губляться. CSV із китайськими іменами, збережений однією програмою й відкритий іншою, повертається мішаниною символів, бо одна припустила UTF-8, а інша — системну кодову сторінку. А оскільки кожне поле — текст без типу, електронна таблиця під час імпорту вгадує наново: нулі на початку зникають із номерів деталей, довгі ідентифікатори перетворюються на експоненційний запис, а все, що схоже на дату, нею стає. З файлом усе було гаразд; хибним було його прочитання.