Convertir TSV a CSV

Un montón de sistemas exportan archivos separados por tabuladores y casi ninguno los acepta. Las consolas de analítica, las plataformas de anuncios, los instrumentos de laboratorio y los clientes de base de datos tiran del tabulador porque sus datos están llenos de comas; el CRM, la herramienta de envíos y el programa de contabilidad del otro lado tienen un campo que pone «Subir CSV» y lo dicen literalmente.

Cambiarle el nombre al archivo merece treinta segundos, porque una minoría de importadores olfatea el separador en vez de fiarse de la extensión, y Excel es uno de ellos. La mayoría no. Parten cada línea por las comas, encuentran una sola columna donde esperaban doce, y o rechazan el archivo con un mensaje inútil o meten cada fila entera en el primer campo, que es peor porque parece que ha funcionado.

Ésta es la pérdida real de esta conversión y conviene tratarla antes que ninguna otra. El lector interpreta como número todo lo que parece un número. Así que un código postal de Madrid escrito `28001` sobrevive, pero uno de Barcelona escrito `08001` vuelve como `8001`; un número de socio `00123` se convierte en `123`; y una referencia escrita como `1e5` acaba siendo `100000`.

La prueba para saber qué columnas están en peligro es preguntarse si sumar dos de sus valores significaría algo. Los códigos postales, los números de socio, las referencias de artículo, los teléfonos sin espacios y los identificadores administrativos suspenden esa prueba y todos deberían ser texto. Si la exportación es tuya y puedes configurarla, expórtala con esas columnas entrecomilladas o con un prefijo. Si no lo es, mira esa columna en el archivo convertido antes de subirlo, porque una pantalla de importación aceptará `8001` donde debía recibir `08001` y lo cruzará con el registro equivocado sin decir nada.

La conversión no es un buscar y reemplazar de tabuladores por comas, y no debe serlo. Un campo que diga `Vigo, Pontevedra` ya contiene el carácter que está a punto de convertirse en separador, así que sale envuelto en comillas dobles, y una comilla doble dentro de ese campo se duplica.

Es lo correcto y es universal, y aun así alarma a quien abre el resultado en un editor de texto por primera vez. Sólo se entrecomillan los campos que lo necesitan y el resto se escribe desnudo, de modo que un archivo en el que un puñado de columnas de dirección o de descripción llevan comillas y las demás no es exactamente el aspecto de un CSV bien formado. Cualquier importador al que merezca la pena subir algo entiende esa convención; uno que no la entienda es una señal para buscar otra vía de importación, no para quitar las comillas.

La única debilidad de un archivo separado por tabuladores es que de vez en cuando acaba un tabulador dentro de un valor —pegado desde otro sitio, tecleado sin querer, arrastrado desde otro sistema— y el formato no tiene forma natural de expresarlo. Las herramientas de más abajo que cuentan tabuladores ven entonces una columna de más a partir de esa fila.

Convertir a CSV elimina el problema por completo, porque el tabulador deja de ser separador. Se escribe dentro del campo sin necesidad de comillas y sin crear ninguna ambigüedad. Si una exportación con tabuladores lleva tiempo produciendo filas descuadradas en alguna herramienta, esta conversión es un arreglo legítimo y no un apaño, y conviene saber que la corrupción estaba en la elección del separador y no en los datos.

El archivo que se escribe en esta página usa la coma como separador, siempre, sin ninguna opción que lo cambie. Es la convención internacional y es lo que casi cualquier importador quiere decir cuando dice CSV.

Excel instalado en España, en Argentina, en México o en cualquier configuración donde la coma es el separador decimal no lo partirá al hacer doble clic, porque está buscando punto y coma. Eso es un problema de presentación en un programa concreto y no un defecto del archivo: el importador de destino, que es para quien se hizo, lo leerá perfectamente. Si además tienes que enseñárselo a un compañero en Excel, la ruta buena es Datos, Obtener datos y Desde texto/CSV, donde se declara el separador a mano. Y si el destino real era una hoja de cálculo y no un sistema, convertir el TSV a XLSX se salta de golpe el separador, la codificación y el separador decimal.

La salida es UTF-8 sin marca de orden de bytes. Es la elección correcta para scripts, importadores y control de versiones, y la equivocada para hacer doble clic en Windows: sin esa marca al principio del archivo, Excel recae en la página de códigos del sistema y un apellido como Muñoz aparece como Muñoz.

La solución es importar en lugar de abrir, por la misma ruta de Datos y Obtener datos, eligiendo 65001: Unicode (UTF-8) como origen. Excel lee entonces el archivo correctamente y de paso te deja fijar el tipo de cada columna, que es justo el momento de marcar como texto las columnas de identificadores del segundo apartado de esta página. En español esto no es una nota al pie: entre las eñes, las tildes y los apellidos compuestos, un archivo mal decodificado se nota en la primera pantalla.

Los nombres de columna pasan exactamente como los escribió el TSV, con los espacios, las unidades y los símbolos que llevaran. Las pantallas de importación suelen ser bastante más exigentes que eso: cruzan por nombre exacto, o por orden fijo, o te piden emparejar cada columna a mano en la pantalla siguiente.

Editar la cabecera es más fácil antes de convertir que después, cuando puede haber aparecido algún entrecomillado y la línea se lee peor. Si el importador empareja de forma interactiva, una buena cabecera sigue ahorrando tiempo, porque esa pantalla enseña los nombres y un valor de ejemplo y nada más. Dos columnas llamadas las dos `fecha` van a parecer idénticas ahí.

Todas las filas conservan el mismo número de campos, así que un valor vacío se queda como campo vacío en lugar de desaparecer y el archivo sigue siendo rectangular. Eso es lo que un importador necesita para poder alinear las columnas.

Qué significa un hueco lo decide el importador y no el archivo, y aquí es donde una subida de contactos se tuerce. Muchos sistemas interpretan un campo vacío en una actualización como «pon esto a nada» y borran un teléfono que simplemente no venía en la exportación. Si el archivo va a actualizar registros existentes en vez de crear nuevos, consulta la regla de esa herramienta para los huecos antes de subirlo, y quita del archivo las columnas que no pretendas cambiar.

Los dos formatos son texto plano, tanto el lector como el escritor son JavaScript corriente, y la conversión ocurre en esta página. Ninguna petición lleva el archivo a ningún servidor, así que una lista de contactos o una exportación de clientes no se copia a un tercero de camino al que tú sí elegiste.

No se comprueba el número de filas y no hay cuenta de por medio: el tope son 100 MB por archivo y cien archivos por tanda. Una tabla de decenas de megas se convierte sin ceremonia, y una que pase de 100 MB es casi con toda seguridad demasiado grande también para la pantalla de importación y hay que trocearla igualmente.

Si el destino es una tubería de shell, un script de R o cualquier cosa que parta por un carácter en lugar de analizar comillas, el original separado por tabuladores es el archivo bueno y esta conversión es un paso atrás. El entrecomillado es precisamente la complicación que esas herramientas no saben manejar.

Conserva el TSV además del CSV cuando la exportación sea una fuente de referencia. El lector interpreta como números los valores que lo parecen, así que el CSV no es una copia sin pérdidas del original, y tener a mano la exportación intacta no cuesta nada y ha salvado muchísimas tardes.