Saltar al contenido
FrAIFlow

Soluciones / CSV y hojas de cálculo

Cómo leer CSV con comas, comillas y saltos de línea sin romper los datos

Un mensaje de un cliente contiene una coma y un salto de línea. La exportación parece legible, pero la siguiente herramienta añade una fila o desplaza una columna. El archivo puede ser un CSV válido: un campo entre comillas puede contener ambos caracteres. Dividir por cada coma o salto de línea destruye esa estructura.

La coma está dentro del mensaje
Explicación elaborada por el autor a partir del ejemplo conservado; no es una captura de una aplicación.

Empiece por una copia pequeña de la exportación problemática

Si un mensaje se ha desplazado a la siguiente fila, no empiece borrando su salto de línea. Podría eliminar parte de una dirección o una solicitud de ayuda. Conserve la exportación original y copie el encabezado y dos o tres registros completos en un archivo de prueba separado. Incluya un registro con una coma, otro con comillas y otro con un salto de línea. Use valores inventados si necesita compartirlo.

Abra esa copia en un editor de texto, no únicamente en una hoja de cálculo. Localice la comilla de apertura del campo problemático y siga hasta la de cierre. Un salto de línea dentro de ese par pertenece al campo. Dos comillas consecutivas dentro del campo representan una comilla literal; no necesariamente cierran el campo. Por eso un archivo puede ocupar cuatro líneas en pantalla sin contener cuatro registros.

Por qué un mensaje aparece en varias líneas

Una consulta pública sobre comandos de shell mostraba que cut no podía extraer de forma fiable una columna de este tipo de archivo. En el ejemplo sintético conservado, PowerShell 7.6.9 leyó dos registros y preservó exactamente el primer mensaje, incluidos su CRLF y la palabra entre comillas. Es un resultado del analizador, no una prueba de todos los importadores de hojas de cálculo.

id,message
001,"Hello, friend
He said ""yes""."
002,Plain

Hay cuatro líneas físicas, contando el encabezado, pero solo dos registros de datos. Las comillas duplicadas representan comillas literales dentro del mensaje entrecomillado. No borre todas las comillas para que el archivo parezca más sencillo.

Compare los valores después de analizarlos
Explicación elaborada por el autor a partir del ejemplo conservado; no es una captura de una aplicación.

Ejecute un analizador y examine los valores reales

Si ya tiene Python instalado, guarde lo siguiente como check_csv.py junto a input.csv. Ejecute python check_csv.py desde esa carpeta. El script solo lee la entrada. Imprime el número de campos de cada registro y hace visibles los caracteres de salto de línea internos, para comprobar si el analizador ha mantenido unido el mensaje.

import csv

with open("input.csv", encoding="utf-8", newline="") as source:
    reader = csv.reader(source, delimiter=",", strict=True)
    for record_number, fields in enumerate(reader, start=1):
        print("Record", record_number, "fields:", len(fields))
        for column, value in enumerate(fields, start=1):
            print("  Column", column, repr(value))

El primer registro es el encabezado, por lo que el ejemplo anterior debería producir tres registros en total, cada uno con dos campos. El primer mensaje de datos debe contener tanto Hello, friend como He said "yes". en un solo campo. Este script es un procedimiento de inspección, no una afirmación de que se haya ejecutado sobre su exportación. Un error de decodificación indica que debe investigarse la codificación UTF-8 asumida; un error del analizador CSV apunta a las comillas o al dialecto del archivo. Ninguno justifica descartar automáticamente caracteres ilegibles.

CSV original y registros analizados en secuencia: el mensaje entre comillas de dos líneas sigue siendo un único campo.
Explicación del antes y el después elaborada con un CSV sintético comprobado con Python. No es una captura de una hoja de cálculo. Abra la imagen para ver los detalles a tamaño completo.

El script presupone UTF-8; no detecta la codificación ni constituye un nuevo resultado de prueba. Pase el archivo completo al analizador en vez de llamarlo por separado para cada línea de texto. Si los datos usan punto y coma, configure ese delimitador.

Compruebe la importación antes de sustituir el original

Esto permite acotar el problema al proceso de importación, en lugar de demostrar que la exportación está dañada. Use la función de importación de texto/CSV de la hoja de cálculo y examine su vista previa antes de cargar. Elija el mismo separador que utilizó el exportador y conserve los identificadores como texto cuando importen los ceros iniciales. Los controles concretos varían según la aplicación y la versión. Importe primero el mismo archivo pequeño de prueba; no experimente con la única copia de una hoja de producción.

Una importación correcta mantiene el mensaje en una sola celda, conserva sus comillas y su salto de línea, y deja las demás columnas bajo el encabezado adecuado. Guarde un resultado separado y ábralo de nuevo con el procedimiento previsto. Una cuadrícula ordenada no basta: compare el valor completo de la celda difícil. Si ambas herramientas rechazan el original, pregunte al exportador qué delimitador, codificación y reglas de comillas utiliza antes de intentar repararlo.

Si las comillas están realmente mal formadas, conserve el original y solicite una exportación limpia. Una comilla suelta puede significar varias cosas, por lo que una reparación universal no es segura. Una consulta histórica sobre Excel 2007 también describe diferencias según el proceso de importación; no establece cómo se comportará una instalación actual. Pruebe un archivo representativo mediante el procedimiento exacto que vaya a utilizar.

El CSV de ejemplo tiene cuatro líneas físicas con el encabezado, pero dos registros lógicos de datos; el primer mensaje conserva su coma, salto de línea y palabra entre comillas.
Explicación original conservada.
Resultado registrado de la prueba sintética de lectura de CSV con comas, comillas y saltos de línea
Resultado registrado de PowerShell ConvertFrom-Csv para un campo sintético multilínea entre comillas. Es una captura del resultado de la prueba, no de la aplicación de la consulta original. Abrir la imagen de evidencia a tamaño completo.

Fuentes y lecturas relacionadas