TSV in CSV umwandeln

Ein Analysewerkzeug, ein Laborgerät oder ein Exportmenü in einer Fachanwendung schreibt einen Export gern mit Tabulatoren, weil die eigenen Daten voller Kommas stecken — Ortsnamen mit Komma, Beträge im deutschen Zahlenformat. Am anderen Ende steht dann ein Feld „CSV-Datei hochladen", und dieses Feld meint das wörtlich.

Die Datei nur umzubenennen ist einen Versuch wert, weil eine Minderheit der Importmasken den Trenner selbst erkennt statt der Endung zu vertrauen — Excel gehört dazu. Die Mehrheit tut das nicht: Sie trennt jede Zeile an Kommas, findet eine einzige Spalte statt der erwarteten zwölf, und lehnt entweder ab oder importiert alles in ein Feld, was schlimmer ist, weil es so aussieht, als hätte es funktioniert, und der Fehler erst beim nächsten Arbeitsschritt auffällt.

Die Umwandlung ist kein einfaches Ersetzen von Tabulatoren durch Kommas, und das darf sie auch nicht sein. Ein Feld mit dem Inhalt „Berlin, Deutschland" enthält bereits das Zeichen, das gleich zum Trenner wird, also wird es in doppelte Anführungszeichen gesetzt, und ein Anführungszeichen darin wird verdoppelt.

Das ist korrekt und branchenüblich, verunsichert aber trotzdem, wenn das Ergebnis zum ersten Mal in einem Texteditor geöffnet wird. Nur die Felder, die es brauchen, werden gequotet, der Rest bleibt unverändert — genau das ist das Bild einer sauberen CSV-Datei. Eine Importmaske, die diese Konvention nicht liest, ist ein Hinweis, einen anderen Weg zu suchen, nicht die Anführungszeichen zu entfernen.

Die Schwäche eines tabgetrennten Exports zeigt sich, wenn ausgerechnet ein Tabulator in einem Wert landet — hineinkopiert, aus Versehen getippt, aus einem anderen System übernommen —, denn das Format hat keine Möglichkeit, das auszudrücken. Werkzeuge, die dahinter Tabulatoren zählen, sehen von dieser Zeile an eine Spalte zu viel.

Die Umwandlung nach CSV löst das vollständig, weil der Tabulator dort kein Trenner mehr ist. Er steht einfach im Feld, ohne Anführungszeichen und ohne Zweideutigkeit. Wenn ein tabgetrennter Export in einem anderen Werkzeug seit Längerem versetzte Zeilen produziert, ist diese Umwandlung eine echte Korrektur und kein Umweg, und das Werkzeug muss nach der Umwandlung nicht mehr wissen, dass da überhaupt einmal ein Tabulator war.

Werte, die zahlenartig aussehen, werden beim Durchlauf als Zahlen gelesen, was bei Mengen und Preisen richtig ist und bei Codes falsch. Eine Mitgliedsnummer 00123 kommt in der CSV als 123 an, eine Telefonnummer ohne Leerzeichen wird zu einer großen Ganzzahl.

Der Test ist, ob die Addition zweier Werte in dieser Spalte irgendetwas bedeuten würde. Postleitzahlen, Artikelnummern, Telefonnummern und Aktenzeichen scheitern alle daran und gehören als Text behandelt. Ein Aktenzeichen wie 1E5 wird dabei sogar zur Zahl 100000, weil es wie eine wissenschaftliche Schreibweise aussieht — ein Fall, an den beim Export niemand gedacht hat. Lässt sich die Quelle beeinflussen, hilft ein vorangestelltes Zeichen oder ein als Text exportiertes Feld; ist das nicht möglich, lohnt ein Blick auf genau diese Spalte im Ergebnis, bevor hochgeladen wird — eine Importmaske akzeptiert 123, wo 00123 stehen sollte, kommentarlos.

Diese Umwandlung schreibt das Komma, die international übliche Form und das, was fast jede Importmaske unter „CSV" versteht. Excel in einer Ländereinstellung, in der das Komma das Dezimaltrennzeichen ist — in Deutschland, Österreich und der Schweiz der Normalfall —, teilt eine per Doppelklick geöffnete Datei damit nicht in Spalten auf, weil es dort Semikolons erwartet.

Das ist ein Anzeigeproblem in einem Programm und kein Fehler in der Datei. Über Daten, dann Daten abrufen, dann Aus Text/CSV lässt sich der Trenner beim Import ausdrücklich festlegen, und derselbe Dialog erlaubt, Spaltentypen gleich mitzusetzen — der richtige Moment, um Kennnummern-Spalten als Text zu markieren. Geht die Datei ohnehin an ein Fachverfahren und nicht an eine Kollegin mit deutschem Excel, entfällt die Frage ganz.

Die Ausgabe ist UTF-8 ohne Byte-Order-Mark. Für Skripte, Importmasken und Versionsverwaltung ist das die richtige Wahl, für einen Doppelklick unter Windows die falsche: Ohne Kennung am Anfang der Datei greift Excel auf die Systemcodepage zurück, und aus Müller wird Müller.

Der zuverlässige Weg ist der Import statt des Doppelklicks — Daten, Daten abrufen, Aus Text/CSV, dort ausdrücklich 65001: Unicode (UTF-8) als Ursprung wählen. Ist das Ziel ohnehin eine Tabelle und keine Importmaske, umgeht eine Umwandlung nach XLSX die ganze Frage, weil eine Arbeitsmappe ihre Kodierung selbst mitführt.

Die Spaltennamen kommen exakt so an, wie die TSV-Datei sie geschrieben hat, mit jedem Leerzeichen und jeder Einheit. Importmasken sind dabei häufig deutlich strenger: Sie erwarten exakte Namen, eine feste Reihenfolge, oder lassen jede Spalte einzeln per Hand zuordnen.

Die Kopfzeile vor der Umwandlung anzupassen ist einfacher als danach, wenn bereits Anführungszeichen dazugekommen sind und die Zeile schwerer lesbar wird. Ordnet die Maske interaktiv zu, spart eine klare Kopfzeile trotzdem Zeit, denn die Zuordnungsseite zeigt nur den Namen und einen Beispielwert — zwei Spalten, die beide „Datum" heißen, sehen dort identisch aus.

Jede Zeile behält dieselbe Anzahl an Feldern, ein leerer Wert bleibt also ein leeres Feld statt zu verschwinden, und die Datei bleibt rechteckig — das braucht eine Importmaske überhaupt, um Spalten zuzuordnen.

Was ein leeres Feld bedeutet, entscheidet die Maske, nicht die Datei, und genau hier geht ein Adressupload gelegentlich schief. Viele Systeme lesen ein leeres Feld bei einer Aktualisierung als „hier löschen" und leeren damit eine Telefonnummer, die im Export einfach nicht vorkam. Werden bestehende Datensätze aktualisiert statt neue angelegt, lohnt es sich, die Regel der Zielmaske für leere Felder vorher zu kennen und Spalten, die nicht verändert werden sollen, aus der Datei zu entfernen.

Wer in Deutschland aus Excel exportiert, bekommt meist eine mit Semikolon getrennte Datei, weil das Programm dem Komma als Dezimaltrennzeichen ausweicht. Das sieht dem hier behandelten Problem ähnlich, ist aber ein anderer Fall: Diese Seite wandelt von Tabulator zu Komma, nicht von Semikolon zu Komma. Eine mit Semikolon getrennte Datei versehentlich hier abzulegen, liefert kein brauchbares Ergebnis, weil kein Tabulator zum Ersetzen darin vorkommt.

Der Unterschied lässt sich mit einem Blick in einen Texteditor klären: Stehen zwischen den Werten sichtbare Semikolons, ist das eine deutsche Excel-CSV und braucht ein anderes Werkzeug. Steht dazwischen ein unsichtbarer Abstand, der breiter wirkt als ein Leerzeichen, ist es ein Tabulator, und diese Seite ist die richtige.

Beide Formate sind reiner Text, Reader und Schreiber sind gewöhnliches JavaScript, und die Umwandlung läuft auf dieser Seite. Keine Anfrage führt die Datei mit sich, was hier mehr zählt als sonst — eine Kontaktliste, die ohnehin gleich woanders hochgeladen wird, muss nicht vorher bei einem Dritten zwischenlanden.

Es wird keine Zeilenzahl geprüft und kein Konto verlangt; die Grenze liegt bei 100 MB je Datei und hundert Dateien je Ablage. Eine Tabelle von mehreren zehn Megabyte wandelt ohne Umstände, und eine, die diese Grenze reißt, ist für die meisten Importmasken ohnehin zu groß und muss geteilt werden.

Bei einer Datei mit mehreren tausend Zeilen lohnt es sich, nicht direkt die ganze Datei hochzuladen, sondern zuerst die ersten zwei oder drei Zeilen zu prüfen — Kopfzeile und ein Beispieldatensatz reichen, um die drei häufigsten Fehler zu sehen: eine verlorene führende Null, ein unerwartet gequotetes Feld, eine falsch gelesene Kennnummer.

Das ist schneller als der volle Import und schneller als eine fehlgeschlagene Prüfung durch die Importmaske selbst, die bei manchen Systemen erst nach mehreren Minuten Verarbeitungszeit eine Fehlermeldung liefert. Wer regelmäßig denselben Exporttyp umwandelt, entwickelt dabei schnell ein Gefühl dafür, welche Spalten in der jeweiligen Quelle typischerweise betroffen sind.

Geht die Datei an eine Shell-Pipeline, ein R-Skript oder irgendetwas, das an einem Zeichen trennt statt Anführungszeichen zu verstehen, ist das tabgetrennte Original die geeignetere Datei und die Umwandlung ein Rückschritt. Genau das Quoting, das eine CSV korrekt macht, ist die Komplikation, die solche Werkzeuge nicht beherrschen.

Die TSV-Datei aufzuheben lohnt sich, wenn der Export die eigentliche Quelle ist. Die Umwandlung liest Werte als Zahlen, wo sie zahlenartig aussehen, die CSV ist also keine verlustfreie Kopie des Originals, und ein unverändertes Original zum Zurückgehen zu haben, hat schon manchen Nachmittag gerettet.