Formateur CSV

Qu'est-ce que le formatage CSV ?

Le formatage CSV (Comma-Separated Values) est le processus de normalisation d'un texte tabulaire brut afin que les délimiteurs, les guillemets, les espaces et les fins de ligne suivent un ensemble de règles cohérent. RFC 4180, publié en 2005, définit la norme CSV la plus largement adoptée : champs séparés par des virgules, enregistrements terminés par CRLF, et tout champ contenant une virgule, un guillemet double ou un saut de ligne placé entre guillemets doubles. Un formateur CSV prend des données CSV désordonnées ou incohérentes et les réécrit pour correspondre à ces conventions.

Dans la pratique, les fichiers CSV arrivent rarement dans un état propre. Les exports de tableurs depuis Excel, Google Sheets et les utilitaires de vidage de base de données appliquent chacun des stratégies de guillemets différentes, gèrent les espaces différemment et peuvent utiliser des points-virgules ou des tabulations au lieu de virgules. Lorsque vous soumettez ces fichiers à un analyseur qui attend une entrée strictement conforme à RFC 4180, le résultat est souvent des lignes cassées, des colonnes décalées ou une perte silencieuse de données. Formater avant de traiter détecte ces problèmes tôt.

Un formateur CSV diffère d'un convertisseur CSV. Le formatage conserve les données en CSV. Il normalise les guillemets, supprime les espaces parasites, réaligne les colonnes et permet éventuellement de changer le délimiteur. La conversion modifie entièrement le format, produisant une sortie JSON, HTML, SQL ou Markdown.

Pourquoi utiliser ce formateur CSV ?

Cet outil analyse et resérialise votre CSV entièrement dans le navigateur. Vos données ne quittent jamais votre machine.

Cas d'utilisation du formateur CSV

Règles de guillemets et d'échappement CSV (RFC 4180)

RFC 4180 définit des règles précises sur quand et comment les champs doivent être mis entre guillemets. Les six scénarios ci-dessous couvrent les cas où le comportement des guillemets a de l'importance.

Comparaison des délimiteurs CSV

Le choix du délimiteur affecte la compatibilité, la lisibilité et la fréquence à laquelle vous aurez besoin de champs entre guillemets.

Exemples de code

Ces exemples montrent comment analyser du CSV désordonné et le resérialiser avec un formatage cohérent dans différents langages. Chaque extrait gère la suppression des espaces, la normalisation des délimiteurs et les guillemets.

import { parse, unparse } from 'papaparse'

const messy = `name, age ,city
Alice , 30, Berlin
Bob,25 , " Tokyo "`

// Parse with trimming, then re-serialize with consistent formatting
const parsed = parse(messy, {
  header: true,
  skipEmptyLines: true,
  transformHeader: h => h.trim(),
  transform: v => v.trim(),
})

const clean = unparse(parsed.data, { quotes: true })
console.log(clean)
// → "name","age","city"
// → "Alice","30","Berlin"
// → "Bob","25","Tokyo"

import csv
import io

messy = """name, age ,city
Alice , 30, Berlin
Bob,25 , " Tokyo " """

reader = csv.DictReader(io.StringIO(messy), skipinitialspace=True)
output = io.StringIO()
writer = csv.DictWriter(
    output,
    fieldnames=[f.strip() for f in reader.fieldnames],
    quoting=csv.QUOTE_ALL,
)
writer.writeheader()
for row in reader:
    writer.writerow({k.strip(): v.strip() for k, v in row.items()})

print(output.getvalue())
# → "name","age","city"
# → "Alice","30","Berlin"
# → "Bob","25","Tokyo"

package main

import (
	"encoding/csv"
	"fmt"
	"strings"
)

func main() {
	input := "name,age,city\nAlice,30,Berlin\nBob,25,Tokyo"
	r := csv.NewReader(strings.NewReader(input))
	records, _ := r.ReadAll()

	var buf strings.Builder
	w := csv.NewWriter(&buf)
	w.UseCRLF = true // RFC 4180 line endings
	for _, record := range records {
		_ = w.Write(record)
	}
	w.Flush()
	fmt.Print(buf.String())
	// → name,age,city\r\n
	// → Alice,30,Berlin\r\n
	// → Bob,25,Tokyo\r\n
}

# Re-format a CSV file with csvkit (Python-based)
csvformat -D ";" input.csv > output.csv

# Convert tabs to commas
csvformat -t input.tsv > output.csv

# Force-quote all fields
csvformat -U 1 input.csv > quoted.csv

# Using Miller (mlr) to normalize
mlr --icsv --ocsv --quote-all cat input.csv > clean.csv

Foire aux questions