TSV in XLSX umwandeln

DATEV-Exporte, Buchungsstapel, Kassenschnittstellen und viele Auswertungen aus Warenwirtschaftssystemen kommen tabgetrennt an, und oft ohne Alternative. Der Tab wurde gewählt, weil Buchungstexte, Firmennamen und Belegbeschreibungen voller Kommas stecken — für den Transport ist das die richtige Entscheidung.

Zum Arbeiten ist es die falsche. Die Datei kennt keine Spaltentypen, keine Breiten, keine fixierte Kopfzeile und keine Abwehr gegen das, was als Nächstes passiert: Jemand öffnet sie in Excel, weil dort die eigentliche Prüfung stattfindet. Genau dieser Öffnungsschritt ist der gefährliche, und ihn ersetzt diese Umwandlung.

Öffnet Excel eine Textdatei direkt, legt es über jeden Wert seine eigene Interpretation, und darin steckt ein Datumserkenner mit sehr weitem Netz. `1-2` wird zum zweiten Januar. Eine Belegnummer wie `3-15` wird zum 15. März. Lange Ziffernfolgen verlieren führende Nullen, und eine IBAN oder eine sehr lange Kontonummer landet in wissenschaftlicher Schreibweise wie `4,915E+19`.

Das ist kein seltener Einzelfall, sondern die Standardfunktion von Excels Text-Import, die bei jeder direkt geöffneten Tab-Datei greift. Tückisch daran ist, dass sich der Fehler nicht rückgängig machen lässt: Die Zelle enthält danach eine Datums- oder Zahlenkodierung, und welche Zeichen ursprünglich dort standen, steht nirgends mehr geschrieben.

Die Umwandlung liest die Tab-Datei und schreibt eine Arbeitsmappe, ohne an irgendeiner Stelle Excels Datumserkennung laufen zu lassen. Ein Wert wie `00123` bleibt die fünf Zeichen `00123`, eine Belegnummer wie `3-15` bleibt `3-15`. Jeder Wert wird als Text in die Zelle geschrieben, mit einem Zelltyp, der das festhält.

Genau dieser Zelltyp macht den Unterschied dauerhaft. Eine XLSX-Zelle speichert, welche Art von Wert sie enthält, sodass Excel beim Öffnen anzeigt, was da ist, statt es neu zu interpretieren. Die Fehldeutung passiert nur beim Import untypisierten Texts — und wenn die Arbeitsmappe bei Excel ankommt, gibt es keinen untypisierten Text mehr. Die .tsv direkt geöffnet liefert die Fehldeutung, die hier erzeugte .xlsx nicht.

Das ist keine pauschale Weigerung, irgendetwas zu deuten, und es wäre unehrlich, es so darzustellen. Ein Feld, das wie eine reine Zahl aussieht, wird zur numerischen Zelle — genau richtig für Summen, Steuerbeträge und Mengen, die sofort sortiert und weitergerechnet werden sollen.

Der Preis liegt bei Codes mit führenden Nullen: `00123` wird zu 123. Betrifft das eine Kunden- oder Personalnummer, hilft nur die Quelle: ein Export mit angeführtem Apostroph oder in Anführungszeichen kommt als Text an. Ein Blick auf eine Codespalte in der Arbeitsmappe lohnt sich ohnehin, denn eine Zahl steht rechtsbündig und Text linksbündig — eine gemischte Spalte fällt so sofort auf.

Dieselbe Zurückhaltung, die `1-2` rettet, greift auch bei einer echten Datumsspalte: `2024-03-11` wird als Text geschrieben, nicht als Datumswert, und lässt sich deshalb zunächst nicht chronologisch sortieren oder rechnen.

Das ist die bewusste Seite des Tauschs, und sie ist richtig herum. Eine Textspalte in Excel zu einem Datum zu machen, ist eine Operation, die man wissentlich auf einer geprüften Spalte ausführt — Spalte markieren, Daten, Text in Spalten, das Datumsformat explizit wählen, inklusive der Reihenfolge von Tag und Monat. Eine versehentlich erzeugte Datumsspalte zurück in die ursprünglichen Kontonummern zu verwandeln, geht dagegen gar nicht.

Eine Tab-Datei enthält eine Tabelle, also entsteht ein Arbeitsblatt. Es trägt den Dateinamen ohne Endung, gekürzt auf die 31 Zeichen, die ein Blattname erlauben darf — ein langer, beschreibender Exportname wird also abgeschnitten statt abgelehnt.

Die Kopfzeile legt die Spalten fest: Jede weitere Zeile wird gegen sie ausgerichtet, sodass ein zusätzliches Feld irgendwo mittendrin keine eigene Spalte bekommt. Überzählige Werte landen stattdessen gesammelt unter einer Spalte namens `__parsed_extra.0`, was zeigt, dass der Export ungleichmäßig war. Zeilen mit weniger Feldern als die Kopfzeile bekommen eine leere Zelle statt eines verrutschten Werts — genau der Fehler, den ein naiver Splitter produziert und der am schwersten zu bemerken ist.

Ein Arbeitsblatt fasst 1.048.576 Zeilen inklusive Kopfzeile und 16.384 Spalten. Das ist eine Grenze des Dateiformats, keine dieser Umwandlung — kein Werkzeug kann ein größeres Blatt schreiben.

Jahresbuchungsstapel großer Betriebe oder vollständige Bewegungsdaten stoßen daran regelmäßig. Dann ist die ehrliche Antwort nicht ein größerer Konverter, sondern ein anderes Werkzeug: die Tabelle vor der Umwandlung filtern oder verdichten, oder dieselbe Datei nach Parquet wandeln und dort mit DuckDB oder pandas abfragen, wo einige Millionen Zeilen unauffällig sind.

Ein Buchungstext oder ein Kommentarfeld mit Zeilenumbruch ist in einer Tab-Datei tatsächlich gefährlich: Die Zeile endet, wo der Wert eigentlich weitergehen sollte, und jede nachfolgende Zählung stimmt nicht mehr. Ein versehentlich eingefügter Tab im Wert tut dasselbe stiller — er hängt eine Spalte an.

Eine Arbeitsmappe kennt diese Zerbrechlichkeit nicht. Ein Zeilenumbruch in einer Zelle bleibt ein Zeilenumbruch in einer Zelle, und ein Tab ist ein gewöhnliches Zeichen. Wenn ein Tab-Export zwischen verschiedenen Werkzeugen bislang uneinheitliche Zeilenzahlen lieferte, ist das Umwandeln auch eine brauchbare Diagnose: Die Zeilenzahl der Arbeitsmappe ist verlässlicher als die der Textdatei.

Beide Hälften laufen auf dieser Seite: Der Tab-Parser ist reines JavaScript, der Arbeitsmappen-Schreiber eine bei Bedarf geladene Bibliothek. Keine Anfrage transportiert die Datei, sodass ein noch nicht gebuchter Kontoauszug oder eine mandantenbezogene Auswertung nicht bei einem Dritten landet, nur um geöffnet zu werden.

Die Grenze ist der Arbeitsspeicher, nicht ein Plan. Die gesamte Tabelle liegt während des Zusammenbaus der Arbeitsmappe komplett im Speicher, sodass einige Dutzend Megabyte problemlos laufen und einige hundert einen Browsertab merklich fordern — was ungefähr auch dort liegt, wo die Zeilengrenze eines Arbeitsblatts anfängt, spürbar zu werden.

Geht es als Nächstes in ein Skript, lohnt sich die Textdatei. R liest sie mit `read.delim`, pandas mit `sep="\t"`, und beide lassen sich Spaltentypen explizit vorgeben, was eine stärkere Garantie ist als jede Umwandlung. Eine Arbeitsmappe bringt dieser Pipeline nichts und nimmt ihr die Möglichkeit, sie zu diffen.

Als Archivkopie gehört die Tab-Datei ohnehin aufgehoben. Die Umwandlung liest zahlenartige Werte als Zahlen, die Arbeitsmappe ist also kein byte-genaues Abbild des Exports, und nur die Originaldatei kann einen Streit über den ursprünglichen Zellinhalt endgültig klären. Wird eine Tabelle wiederholt abgefragt statt gelesen, ist Parquet ohnehin das bessere Ziel und lässt sich aus derselben Quelle erzeugen.