O que é um arquivo CSV? O formato mais simples, e o que come seus dados

Um arquivo CSV é quase o mais simples que um formato de dados pode ser. É texto puro, uma linha por registro, com valores separados por vírgulas:

name,quantity,price
Widget,12,4.50

É toda a ideia, e é por isso que o CSV sobreviveu a todo formato proprietário que quis substituí-lo. Qualquer programa lê, é minúsculo, abre em qualquer editor de texto, e você vê exatamente o que tem dentro.

É também o formato com mais chance de estragar seus dados sem avisar, e vale conhecer as razões antes de abrir o próximo.

A vírgula nem sempre é vírgula

Isso pega gente o tempo todo, e é um problema de idioma, não um bug de software.

Em português, alemão, francês, espanhol e muitas outras configurações regionais, a vírgula é o separador decimal — 4,50 é quatro e meio. Então a vírgula não pode também separar campos, e as planilhas nesses idiomas escrevem e esperam ponto e vírgula:

name;quantity;price
Widget;12;4,50

Os dois arquivos se chamam CSV. Abra a versão com ponto e vírgula num programa que espera vírgulas e cada linha colapsa numa coluna só. Ao contrário, acontece o mesmo.

Não há marca nenhuma dentro do arquivo dizendo qual é. A única solução confiável é importar em vez de dar dois cliques, para você mesmo indicar o delimitador.

As aspas e por que existem

E se um valor contém uma vírgula? Ele é envolvido em aspas duplas:

"Smith, John",12,4.50

E quando um valor contém aspas, elas são duplicadas para escapar. Um campo pode até conter uma quebra de linha, desde que entre aspas — por isso você não pode contar registros contando linhas.

Toda ferramenta CSV decente lida com isso. Arquivos feitos à mão — qualquer coisa montada juntando textos com vírgulas — normalmente não, e a quebra aparece justo quando o nome ou endereço de alguém tem uma vírgula.

O problema da codificação: por que o chinês vira lixo

Um CSV não contém nenhuma declaração da sua codificação. Diferente de HTML ou XML, não há onde dizer «isto é UTF-8». O programa que abre precisa adivinhar.

O Excel no Windows tradicionalmente adivinha a página de código local em vez de UTF-8. Então um CSV com texto chinês, japonês ou coreano — ou com acentos — abre como símbolos ilegíveis mesmo com o arquivo perfeitamente correto.

• Acrescente uma marca de ordem de bytes (BOM) UTF-8 no início. São três bytes invisíveis que informam a codificação ao Excel, e costumam explicar por que um mesmo CSV exportado abre certo numa ferramenta e como lixo em outra. Muitas exportações oferecem «UTF-8 com BOM» exatamente para isso.
• Importe em vez de abrir. A caixa de importação deixa escolher a codificação explicitamente.

O que as planilhas destroem ao abrir

Esta é a parte que custa trabalho de verdade, porque é silenciosa e acontece antes de você fazer qualquer coisa.

Um CSV não tem tipos — todo valor é texto. A planilha adivinha o que cada um significa, e erra com confiança de várias maneiras recorrentes:

• Zeros à esquerda somem. Um CEP 01234 vira 1234. Telefones, contas, códigos de produto e documentos sofrem o mesmo.
• Números longos viram notação científica. Um cartão ou código de rastreio de dezesseis dígitos vira algo como 1.23457E+15, e os dígitos originais se perdem, não ficam escondidos.
• Tudo com cara de data vira data. Um valor como 3-10 vira 3 de outubro. É o famoso problema que obrigou geneticistas a renomear genes cujos símbolos viravam datas.
• Espaços no início e no fim são cortados ou mantidos de forma inconsistente, quebrando comparações depois.

O detalhe crítico: se você então salvar, o estrago é gravado de volta. Os valores originais não se recuperam da cópia salva.

Dois hábitos evitam tudo isso. Guarde uma cópia intocada de qualquer CSV que receber. E quando o conteúdo tiver códigos, identificadores ou qualquer coisa com zeros à esquerda, use a importação e marque essas colunas como texto antes dos dados aterrissarem.

Em que o CSV é realmente bom

• Uma tabela plana movida entre dois sistemas que não compartilham mais nada.
• Tamanho. Um milhão de linhas de números são algumas dezenas de megabytes, sem sobrecarga.
• Durabilidade. É texto puro; vai abrir daqui a cinquenta anos.
• Comparabilidade. Duas versões se comparam linha a linha, o que formatos de planilha dificultam.

E o que ele não faz: várias abas, fórmulas, formatação, tipos de célula, células mescladas, gráficos ou qualquer coisa aninhada. São as razões de os formatos de planilha existirem ao lado dele.

Consulta rápida

• Texto puro, uma linha por registro, valores separados por um delimitador
• O delimitador é ponto e vírgula em idiomas com vírgula decimal — importe, nunca dê dois cliques
• Valores com delimitador vão entre aspas; aspas internas são duplicadas
• Sem declaração de codificação — use UTF-8 com BOM, ou defina na importação
• Abrir numa planilha apaga zeros à esquerda e converte códigos em datas
• Salvar depois grava o estrago permanentemente
• Sempre guarde uma cópia intocada do original