Cómo limpiar un archivo CSV desordenado

Por qué las exportaciones llegan rotas

CSV es una familia de convenciones más que un formato. Dos aplicaciones pueden afirmar que admiten CSV y no estar de acuerdo con respecto al delimitador, el estilo de las comillas, el final de línea y la codificación de caracteres.

El delimitador es la sorpresa más común. El software vendido en países que utilizan una coma como separador decimal a menudo exporta archivos separados por punto y coma, porque la coma ya está ocupada. Esos archivos aún terminan en .csv y una herramienta que asume comas colapsa cada fila en una sola columna.

La codificación es la segunda. Un archivo UTF-8 suele comenzar con una marca invisible de orden de bytes de tres bytes. Excel en Windows lo usa para reconocer UTF-8; muchas otras herramientas no lo esperan, por lo que se pega al primer nombre del encabezado y una columna llamada id se convierte silenciosamente en una que ninguna búsqueda coincidirá.

Diagnosticar en tres números

La detección automática analiza una muestra con cada delimitador candidato y elige el que produce el resultado rectangular más consistente, razón por la cual no se deja engañar por comas dentro de los campos entre comillas de un archivo separado por punto y coma. Es correcto la mayor parte del tiempo; la vista previa te dice cuando no es así.

• Recuento de columnas. Si es 1, el delimitador es incorrecto. Pruebe con punto y coma, luego tabulador.
• Recuento de filas. Si es mucho mayor de lo esperado, es probable que el archivo contenga nuevas líneas entre comillas que algo anterior ya ha alterado.
• Recuento de advertencias. Cada advertencia nombra un número de fila, contado de la misma manera que cuenta un editor de texto, para que pueda ir y mirar.

leyendo las advertencias

Una fila irregular significa que una fila tenía un número de celdas diferente al del encabezado. No se descarta nada para ordenar la cuadrícula: las filas cortas se rellenan con espacios en blanco y las filas largas mantienen sus valores adicionales. Eliminar silenciosamente los datos de alguien para que una tabla parezca rectangular es lo peor que puede hacer una herramienta de limpieza, por lo que no se hace.

Una comilla no cerrada significa que se abrió una comilla doble y nunca se cerró, por lo que todo lo que siguió se leyó como un campo enorme. Esto casi siempre es una corrupción genuina en la fuente, y vale la pena corregir el lugar donde se produjo el archivo en lugar de aplicar parches posteriores.

La herramienta los informa en lugar de repararlos, porque ambos casos tienen varias posibles soluciones correctas y solo usted sabe cuál se aplica.

Limpiar en el orden correcto

La exportación segura para inyección de fórmula está activada de forma predeterminada y es la única opción aquí con una consecuencia de seguridad genuina. Las aplicaciones de hojas de cálculo tratan una celda que comienza con =, +, - o @ como una fórmula, por lo que un valor que llega de una fuente que no es de confianza puede ejecutarse cuando alguien abre su archivo. La exportación segura antepone a esas celdas un apóstrofo, lo que impide que calculen, incluidas las que usted pretendía calcular, lo cual es inherente a la mitigación más que a un error.

1. Primero recorte los espacios en blanco. Dos filas que difieren sólo por un espacio final no están duplicadas hasta que las recortas.
2. Elimine las filas duplicadas en segundo lugar. Se mantiene la primera aparición, por lo que el orden de supervivencia no cambia.
3. Cambie el nombre de los encabezados y elija las columnas para exportar.
4. Ordene si es necesario. Las columnas numéricas se detectan y ordenan numéricamente, por lo que el 9 va antes del 10.
5. Verifique las opciones de exportación antes de descargar, especialmente la configuración de inyección de fórmula.

Elegir la codificación de exportación

Active la marca de orden UTF-8 byte si el archivo está destinado a Excel en Windows, que lo utiliza para detectar la codificación; sin él, los caracteres acentuados y las escrituras no latinas pueden aparecer como mojibake al hacer doble clic.

Déjelo APAGADO si el archivo alimenta un script, una importación de base de datos u otro programa, porque algunos analizadores estrictos tratan la marca como datos.

Ejemplo resuelto: una exportación de 12 000 filas que se abre como una columna

Una exportación de cliente desde un CRM europeo se abre en su editor con 12.000 filas y una sola columna. La fila del encabezado dice Nombre;Correo electrónico;País;Fecha de registro.

1. Cargue el archivo. Informes de detección automática de 4 columnas; si no es así, establezca el delimitador en punto y coma manualmente.
2. Lea las advertencias: digamos 3 filas irregulares en 418, 2905 y 7110.
3. Mira esas tres filas. Contienen un punto y coma sin escape dentro del nombre de la empresa; las celdas adicionales se conservan, por lo que no se pierde nada.
4. Recorte los espacios en blanco y luego elimine los duplicados.
5. Exporte como CSV con una coma como delimitador y la marca de orden de bytes activada, porque el archivo se enviará a un colega que usa Excel.

Resultado: Un archivo UTF-8 separado por comas con una marca de orden de bytes, cuatro columnas y sin filas duplicadas. Las tres filas problemáticas todavía están presentes con sus celdas adicionales intactas, marcadas para que usted las solucione en el origen en lugar de eliminarlas para ordenar la tabla.

Abre la herramienta

Limpia un CSV en tu navegador

Analiza un Web Worker en su dispositivo, guarda cada celda que encuentra e informa problemas que no adivina.

Lo que esto no cubre

• Todo el archivo se guarda en la memoria de su dispositivo. El límite es 50 MB y un teléfono tendrá dificultades mucho antes que una computadora portátil.
• En la vista previa solo se muestran las primeras 100 filas, aunque cada fila se limpia y exporta.
• La detección de codificación se limita a la marca de orden UTF-8 byte. Un archivo guardado como Windows-1252 o Shift-JIS se lee como UTF-8 y puede mostrar caracteres de reemplazo; Vuelva a exportarlo como UTF-8 desde la aplicación de origen.
• Sólo se escribe UTF-8. No se producen codificaciones heredadas.
• No hay soporte para varias hojas porque CSV no tiene concepto de hojas.
• Un archivo cuyas citas ya están corruptas se informa, no se repara.
• Deshacer está limitado a las últimas 20 operaciones.