那些能整垮简陋解析器的 CSV 引号规则

直接给结论：双引号里面的分隔符是数据，不是分隔符；被引号包起来的字段里如果要出现一个双引号， 就写两个。一个只会「按逗号切」、忽略这两条规则的解析器，遇到任何用了这两条规则的文件都会丢数据 —— 这就是导入表格时列会整体错位的根源。

CSV 没有一个人人遵守的规范、没有类型系统、没有编码声明，而且 —— 造成最大破坏的这一条 —— 它有一条引号规则，绝大多数用来读它的代码都写错了。

如果你曾经导入一个表格，发现从第 47 行开始列整体偏了一格，那几乎可以肯定就是这个原因。

规则第一条：引号里的逗号不是分隔符

所谓「标准」全部加起来就是这一句：字段可以被双引号包起来。在这些引号里面，逗号只是一个普通字符。 所以下面这一行是两个字段，不是三个：

"Smith, John",42

而天真的实现 —— line.split(",") —— 会切出三个。每一个带逗号的地址、每一个写成 「Acme, Inc.」的公司名、每一段含逗号的产品描述，都会让它所在那一行剩下的部分整体向右错一列。 而且因为错误只出现在碰巧含逗号的那些行，拿一份干净样本测试时根本看不出来。

规则第二条，也是更糟的一条：引号里怎么放引号

CSV 里没有反斜杠转义。要在被引号包起来的字段里放一个实实在在的双引号，你就写两个：

"He said ""hello"" and left",2026-01-04

这是一个字段，值是 He said "hello" and left。一个懂第一条规则、却不懂这条的解析器， 会切出 He said 、孤零零的 hello 和 and left —— 并且照样会把这些多出来的碎片算成列，让整行继续错位。

规则第三条：字段里可以有换行

被引号包起来的字段里可以含真正的换行。这是合法的 CSV，而且它只是一行：

id,notes
7,"First line
second line"

这正是「按行读」的解析器彻底失败的地方。逐行读文件、再逐行切分，这条路走不通， 因为一行不等于一条记录。解析器必须一边逐字符扫描，一边记住自己现在是否在引号里面。

手写文件时最容易踩的几个字符

第四行值得停一下。表格软件历史上会把任何以 = 开头的单元格当成公式来解释， 这意味着一份由用户数据生成的 CSV，可能成为对打开它的人发起代码执行攻击的载体。 如果你在从不是自己写的数据生成 CSV，请把这些前导字符清洗掉。

顺手说一下编码

CSV 没有办法声明自己的编码，所以读取方只能猜。实际情况下：

• 写 UTF-8。这是唯一合理的默认值。
• 优先选不带 BOM 的 UTF-8。BOM 看不见但真实存在， 它就是「为什么我第一列的表头前面有个怪字符」的成因。
• 老文件要做好是别的编码的准备。从旧版 Windows 软件导出的数据经常是 Windows-1252 或 GBK。 一个显示成乱码的文件 —— 你本来期望 é，看到的是 é —— 就是 UTF-8 的字节被当成 Windows-1252 读了，或者反过来。

那为什么不干脆用 TSV 或者分号

两者都没解决问题，只是把问题挪了个位置。你选的任何分隔符都可能出现在字段里，所以无论如何都需要引号规则。 制表符分隔的文件更难调试，因为那个分隔符是看不见的，而且一旦某个字段里含制表符它就当场崩掉 —— 在粘贴来的数据里，这比你想的要常见。

分号分隔在欧洲部分地区很常见，恰恰是因为那里逗号是小数点 —— 这是一种本地化绕路，不是更好的格式。 如果你收到一个这样的文件，CSV 转 JSON 工具能自动识别分隔符， 但在你知道答案的时候，明确指定会更好。

一个正确的解析器遵循什么

1. 逐字符扫描。不要按行切，也不要按分隔符切。
2. 在引号外：分隔符结束字段、换行结束记录、字段开头的 " 进入引号模式。
3. 在引号内：所有内容都是字面值，唯一的例外是 ""，它代表一个双引号。
4. 在引号外、字段中间出现的引号字符，通常说明文件格式有问题 —— 但多数解析器实际采取的做法是把它当普通字符保留，而不是直接报错。
5. 除非已知文件是补齐过空格的，否则不要做 trim。被引号包起来的字段里，首尾空格通常是有意义的。

这在多数语言里大概就是三十行代码，而这三十行是大量生产代码里没有的。如果你在写导入功能， 这部分值得写对，也值得为它写测试 —— 具体就是三个用例：含逗号的字段、含转义引号的字段、含换行的字段。 这三个用例覆盖了现实里几乎所有的数据损坏。

不把文件传上去也能检查

从业务系统导出的 CSV 往往是一个人手上最敏感的文件：客户名单、薪资数据、交易流水。 为了重新排个格式就把它们送过一台服务器，没有任何道理。这里的转换工具 在页面内解析，正确处理被引号包起来的字段和字段内换行，并把 JSON 显示出来， 让你一眼看清每一列落在了哪里。没有任何东西被传出去。