TSV फ़ाइल क्या होती है?

TSV एक सादा टेक्स्ट फ़ॉर्मेट है, जो किसी भी एडिटर में खुल जाता है। इसका इस्तेमाल प्रोग्रामों के बीच डेटा ले जाना के लिए होता है।

एक्सटेंशन .tsv है और पूरा नाम Tab-Separated Values। दोनों उतना नहीं बताते जितना यह कि फ़ाइल अंदर क्या-क्या रख सकती है — और इस पन्ने का बाक़ी हिस्सा इसी के बारे में है।

यह 1993 तक पीछे जाता है। विनिर्देश IANA text/tab-separated-values है।

जो फ़ॉर्मेट इतने लंबे समय तक पढ़ा जाता रहा हो, उसे वह चीज़ सौंपी जा सकती है जो आपको दस साल बाद वापस चाहिए।

यह पूरा प्रकाशित है, इसलिए कोई भी इसे देखकर अंदाज़ा लगाने के बजाय दस्तावेज़ पढ़कर लागू कर सकता है। यही वजह है कि यह फ़ॉर्मेट इतने सारे प्रोग्रामों में मिलता है, और यही वजह है कि बीस साल पहले लिखी गई फ़ाइलें आज भी खुल जाती हैं। पर विनिर्देश का प्रकाशित होना और उसका रॉयल्टी-मुक्त होना एक बात नहीं है: जहाँ फ़ॉर्मेट किसी कोडेक को अपने अंदर लपेटता है, वहाँ पेटेंट का लाइसेंस एक अलग सवाल है, और मानक उसका जवाब नहीं देता।

TSV फ़ाइल अपना अंदरूनी हिस्सा हूबहू सहेजती है। दोबारा सहेजने से कुछ नहीं बदलता, इसलिए इसे जितनी बार चाहें खोलिए, बदलिए और फिर से सहेजिए — नुक़सान जमा नहीं होता। यही बात इसे सौंपने का नहीं, काम करने का फ़ॉर्मेट बनाती है।

TSV फ़ाइल में टिप्पणी लिखने का कोई तरीक़ा नहीं है। समझाने वाली हर बात फ़ाइल के बाहर रहनी पड़ेगी — इसे ऐसे किसी काम के लिए चुनने से पहले यह जान लेना चाहिए जिसे कोई इंसान हाथ से सँभालेगा।

Microsoft Excel, LibreOffice Calc और pandas इसे पढ़ते हैं, और इसी तरह के ज़्यादातर दूसरे प्रोग्राम भी।

फ़ाइल न खुले तो कसूर फ़ॉर्मेट का शायद ही कभी होता है — अक्सर प्रोग्राम ही फ़ॉर्मेट से पुराना होता है। किसी पुरानी चीज़ में बदल लेना इससे निकलने का भरोसेमंद रास्ता है, और इस वेबसाइट का बाक़ी हिस्सा इसी के लिए है।

इसे कोई भी ब्राउज़र नहीं पढ़ता।

इसे बदलने की सबसे आम वजह यही है: फ़ॉर्मेट ख़राब है, ऐसा नहीं — बात यह है कि जहाँ आप फ़ाइल दिखाना चाहते हैं वह जगह उसे पढ़ ही नहीं सकती।

TSV इसलिए बना है कि इसे खोला और बदला जाए। जब तक काम चल रहा है फ़ाइल इसी फ़ॉर्मेट में रखिए, और जब भी बनी हुई प्रति चाहिए हो, इसी से निर्यात कीजिए।

बार-बार आने वाली शिकायतें: कॉलम किस तरह के हैं, यह पढ़ते समय बताया नहीं, अंदाज़े से तय किया जाता है।

इनमें से कोई भी फ़ॉर्मेट से दूर रहने की वजह नहीं है। ये वे बातें हैं जिन्हें इनमें से कोई आपको चौंकाए उससे पहले जान लेना चाहिए — यह अलग दावा है, और ज़्यादा काम का।

असली डेटा में कॉमा लगातार आता है — पते, कंपनी नाम, उत्पाद विवरण में। CSV इसे उद्धरण नियमों से सँभालता है, और वहीं फ़ॉर्मेट बिगड़ता है: उद्धृत फ़ील्ड के भीतर उद्धरण चिह्न वाला फ़ील्ड मान्य है, असहज है, और CSV पढ़ने का दावा करने वाले आधे औज़ार इसे असंगत तरीक़े से लागू करते हैं।

टैब चरित्र लगभग कभी किसी फ़ील्ड के भीतर नहीं आता, क्योंकि कोई फ़ॉर्म या डेटाबेस में टैब टाइप नहीं करता। तो TSV आमतौर पर उद्धरण से पूरी तरह बच सकता है: हर लाइन को टैब पर बाँटिए और फ़ील्ड मिल जाते हैं, सही, बिना किसी edge case के।

बायोइंफ़ॉर्मेटिक्स, जहाँ जीनोमिक एनोटेशन फ़ाइलें, एक्सप्रेशन मैट्रिक्स और वेरिएंट टेबल आम बात के तौर पर टैब-सीमांकित होती हैं। कमांड-लाइन डेटा काम, क्योंकि मानक Unix औज़ार whitespace पर बाँटते हैं।

बड़े सार्वजनिक डेटासेट और डेटाबेस निर्यात भी, जहाँ डेटा में कॉमा और गद्य होता है और निर्यातक उद्धरण के बारे में सोचना नहीं चाहता। अगर आपको .tsv या .tab फ़ाइल मिली है, वह इन्हीं में से किसी दुनिया से आई है।

टैब की ख़ूबी उसकी कमी भी है: इसे देखा नहीं जा सकता। एक जगह टैब और दूसरी जगह चार स्पेस वाली फ़ाइल एडिटर में एक जैसी दिखती है और पूरी तरह अलग पार्स होती है।

यह तब सबसे ज़्यादा काटता है जब फ़ाइल हाथ से संपादित हो या कहीं स्पेस इस्तेमाल करने वाली स्क्रिप्ट से बनी हो। कोई भी अच्छा एडिटर whitespace अक्षर दिखा सकता है, और TSV छूने से पहले इसे चालू करना दो-सेकंड की आदत है।

IANA विनिर्देश साफ़ है: फ़ील्ड में टैब या newline नहीं हो सकते, बस। कोई escape तंत्र नहीं है, जो पार्सिंग को सरल रखता है।

व्यवहार में दो रिवाज़ बने हैं। कुछ निर्माता backslash क्रम से escape करते हैं; कुछ CSV-जैसा उद्धरण ऊपर लगाते हैं, जो वही सब वापस लाता है जिससे TSV बचता था। न कोई सार्वभौमिक है, इसलिए embed टैब वाली फ़ाइल के लिए CSV ज़्यादा ईमानदार चुनाव है।

Excel आयात संवाद से .txt या .tsv खोलता है और टैब सही सँभालता है, जबकि .tsv पर डबल-क्लिक करना एक्सटेंशन के हिसाब से कुछ कम मददगार करता है। यह वही प्रकार-अनुमान भी लगाता है जो CSV बिगाड़ता है — शुरुआती शून्य ग़ायब होते हैं, कोड तारीख़ बनते हैं।

तो सलाह CSV जैसी ही है: खोलने के बजाय आयात कीजिए, असहज कॉलम को Text सेट कीजिए, और पाने वाला इंसान हो न कि प्रोग्राम तो इसके बजाय XLSX भेजिए।

CSV जब फ़ाइल किसी अनजान जगह जा रही हो। यह वही है जो अपलोड फ़ॉर्म और आयात रूटीन नाम से माँगते हैं, और दोनों में से सिर्फ़ एक स्वीकार करने वाला औज़ार CSV स्वीकार करता है।

TSV जब आप दोनों सिरे नियंत्रित करते हों और डेटा कॉमा व मुक्त पाठ से भरा गंदा हो, या काम कमांड लाइन पर हो रहा हो। दोनों के बीच बदलना एक दिशा में यांत्रिक है और दूसरी में सावधानी माँगता है।

TSV स्ट्रीम होता है, जो इसका दूसरा शांत फ़ायदा है। किसी भी आकार की फ़ाइल पूरा लोड किए बिना लाइन-दर-लाइन पढ़ी जा सकती है, इसलिए कई-गीगाबाइट का निर्यात काम करने लायक़ है।

सचमुच बड़े और बार-बार विश्लेषित किए जाने वाले किसी भी डेटा के लिए, Parquet बेहतर गंतव्य है: कॉलमी, संपीड़ित, प्रकार-युक्त, और लोगों की असली क्वेरी के लिए नाटकीय रूप से तेज़। TSV आदान-प्रदान के लिए सही फ़ॉर्मेट है और सौ बार पढ़े जाने वाले डेटासेट के लिए ग़लत।