CSVファイルとは

CSV はプレーンテキスト形式です。どのエディターでも開けます。 プログラム間のデータ受け渡しのために使われます。

拡張子は .csv、正式名称は Comma-Separated Values です。ただしどちらも、そのファイルが中に何を持てるかほどには多くを語りません。このページの残りは、その中身についての話です。

1972 年までさかのぼります。 仕様は RFC 4180 です。

これだけ長く読まれ続けてきた形式なら、10 年後に取り出したいものを預けても大丈夫です。

仕様書がそのまま公開されているので、中身を推し量るのではなく文書を読んで実装できます。この形式が数多くのプログラムに載っているのはそのためであり、20 年前に書かれたファイルが今も開けるのもそのためです。ただし「仕様が公開されている」ことと「使用料が要らない」ことは別の話です。中でコーデックを包んでいる形式では、特許のライセンスは仕様書が答えていない別の問題として残ります。

CSV ファイルは中身をそのまま保存します。保存し直しても何も変わらないので、開いて、直して、また保存する——それを何度繰り返しても劣化は積み上がりません。これが、渡すための形式ではなく作業のための形式である理由です。

CSV ファイルにはコメントを書く方法がありません。説明にあたるものはすべてファイルの外に置くことになります。人が手で面倒を見る用途にこれを選ぶ前に、知っておくべきことです。

Microsoft Excel、LibreOffice Calc、pandasが読めますし、同じ種類のプログラムならたいてい読めます。

ファイルが開かないとき、形式が悪いことはめったにありません。たいていはプログラムのほうが形式より古いのです。もっと古い形式に変換してしまうのが確実な逃げ道で、このサイトの残りの部分はそのためにあります。

これを読めるブラウザーはありません。

これを変換するいちばんよくある理由がこれです。形式が悪いのではありません。ファイルを見せたい場所が、それを読めないというだけのことです。

CSV は、開いて手を入れるために作られています。作業が続いているあいだはこの形式でファイルを持ち、完成したものが必要になるたびに、ここから書き出してください。

繰り返し挙がる不満はこれです。列の型が、読み込み時に伝えられるのではなく推測される。

どれも、この形式を避ける理由にはなりません。どれかに不意を突かれる前に知っておくべきことがら、というだけです。これは別の主張であり、そして役に立つほうの主張です。

CSV は値をカンマで区切った行の集まりだ、という説明は、最初の値にカンマが含まれるまでは正しく成り立ちます。そこから引用符が必要になり、引用符付きの値の中に引用符自体を含める方法が必要になり、値の中に改行を含める方法も必要になります。このあたりから実装同士の食い違いが始まります。

RFC 4180 は 2005 年にこの慣習を文書化するために発行されましたが、これは万人が従うべき規格を定めたものではなく、既存の慣行を記録したものだと明言しています。二十年たった今も、多くのソフトウェアがこれに厳密には従っていません。CSV とは、一つの拡張子をまとった、ほぼ互換性のある形式の集まりだと考えるのが正直な出発点です。

カンマや引用符、改行を含む値は二重引用符で囲む必要があり、その中に引用符自体を含める場合は二つ連ねて書きます。これを正しく行えば、値には段落全体の改行を含む、どんな内容でも入れられます。

誤ると被害は静かに広がります。エスケープされていない引用符は、パーサーにファイルの残り全部を一つのフィールドとして飲み込ませてしまいます。引用符で囲まれていない住所の中のカンマは、その行だけ後続のすべての列を一つずつずらします。一万行のファイルのうち、社名にカンマが入っている十一行だけが崩れていて、エラーは何も出ないということが起こり得ます。

小数点にカンマを使う国々 — 大陸ヨーロッパの多くがそうです — では、スプレッドシートはカンマの代わりにセミコロンで書き出します。「1,50」のようなファイルではそもそも解析できないためです。それでも拡張子は .csv のままです。

タブも三番目によくある区切り文字で、これが TSV という形式が存在する理由です。タブは値の中にほとんど現れないからです。CSV が一つの列にまとまって開かれてしまう場合、まず疑うべきは区切り文字です。ファイル自体は正しく、読み込み側が推測を誤っただけです。多くの取り込み画面では使う文字を指定でき、多くの書き出し画面でも選べます。

CSV には型という概念がありません。0、0、1、2、3 という文字がファイルの中に並んでいるだけで、それが数値の 123 になるか、文字列の「00123」になるかは、読み込む側がすべて決めます。

これが、スプレッドシートがデータを食い違えるという苦情の根本にある理由です。郵便番号の先頭のゼロが消える、商品コードが日付に化ける、長い識別子が浮動小数点の誤差で末尾の桁を失う。どれもファイルの中で起きているのではなく、開いた瞬間に起きています。対処法は、開くのではなく取り込みとして読み込み、扱いに困る列をあらかじめテキストとして指定することです。

CSV は自分の文字エンコーディングを宣言しません。UTF-8 が今ではまともな既定値で、ほとんどのソフトがこれで書き出しますが、Windows 版の Excel は歴史的に地域ごとのコードページを前提にしてきました。アクセント記号付きの文字が文字化けするのはこのためです。

よくある対処はバイトオーダーマーク、つまり Excel にファイルが UTF-8 だと伝える目に見えない三バイトを先頭に書くことです。これは効果がありますが、別の問題を生みます。多くのパーサーはこの三バイトを最初の列見出しの一部として読んでしまい、「id」との照合が静かに失敗します。両方を同時に満たす配置は存在せず、これがこの形式全体を象徴する話です。

ストリーミングです。メモリーに収まらない大きさのファイルでも、一行しか保持しないツールで一行ずつ読み進められます。データパイプラインやデータベースの取り込み、コマンドラインツールがこの形式を使う理由であり、五ギガバイトのエクスポートでも扱える理由です。

そして透明性です。テキストなので、マクロも外部リンクも他のファイルへ手を伸ばす数式も、何一つ隠せません。セキュリティを重視するシステムがワークブックではなく CSV を求めるのは、まさにこの性質のためで、単なる気休めではなく実質的な利点です。

ほとんどの問題は五つの習慣で防げます。バイトオーダーマークなしの UTF-8 を使うこと。区切り文字や引用符、改行を含み得るすべての値を引用符で囲むこと、あるいはすべての値を引用符で囲んでしまうこと。これは仕様上問題なく、手間もわずかです。分かりやすく短い名前のヘッダー行を用意すること。日付は年から始める ISO 形式で書き、これなら正しく並べ替えられ、アメリカ式とヨーロッパ式のどちらとも取り違えられません。そしてカンマ以外の区切り文字を使ったなら、それを明記することです。

これらはどれも仕組みとして強制されるものではないため、意識して行う価値があります。この五つの原則に従った CSV は、受け取るどんなツールでも正しく開けます。