Cómo comparar dos archivos CSV y ver qué cambió

La forma más rápida de comparar dos archivos CSV es pegar ambos en una herramienta de diff lado a lado, alinear las columnas y leer las filas que resalta. La comparación es la parte fácil. El ruido es lo que le complica la vida a la gente: una exportación reordenada, un punto y coma en lugar de una coma, o un valor que alguien envolvió entre comillas pueden hacer que dos archivos con los mismos datos parezcan no tener nada en común.

Esta guía explica cómo obtener un diff de CSV limpio y confiable. Veremos por qué dos exportaciones equivalentes se distancian en papel, qué métodos vale la pena conocer y un ejemplo práctico que puedes seguir. Si solo quieres la herramienta, nuestra página de comparación CSV hace todo esto en el navegador.

Por qué los archivos CSV son engañosamente difíciles de comparar

CSV parece simple, pero no tiene un único estándar estricto. Lo más cercano es RFC 4180, y muchos archivos del mundo real no lo siguen. Dos exportaciones de la misma tabla pueden diferir en delimitador, comillas, finales de línea y orden de filas mientras describen exactamente los mismos datos. Un diff de texto plano no sabe nada de eso, así que lo marca todo.

Esto es lo clave que debes decidir antes de empezar: ¿te importa el orden de las filas? Una exportación de base de datos ordenada por nombre y la misma exportación ordenada por ID contienen el mismo conjunto idéntico de registros, pero un diff de líneas pintará casi cada fila de rojo y verde. Si las filas tienen una clave estable (una columna de ID), ordenar ambos archivos por esa clave primero vuelve a hacer el diff legible.

Parece un cambio, pero casi nunca lo es

Lo que ves en el diff	¿Es un cambio real?	Qué hacer
Filas en orden diferente	No, si los datos son el mismo conjunto	Ordena ambos archivos por una columna clave
Delimitador coma vs punto y coma	No, mismos campos	Normaliza a un solo delimitador
Ada vs "Ada"	No, las comillas son opcionales aquí	Normaliza las comillas
Finales de línea CRLF vs LF	No	Normaliza los finales de línea
Una línea vacía al final	No	Elimínala
El valor de una celda cambió	Sí	Investígalo, esto es real

La fila del delimitador confunde a mucha gente, sobre todo entre regiones: muchas configuraciones europeas usan punto y coma porque la coma es el separador decimal. Mismos datos, separador diferente. Si quieres el detalle sobre cómo los navegadores y las herramientas leen texto tabular, la nota de MDN sobre leer archivos en el navegador es un buen punto de partida.

Cuatro formas de comparar CSV y cuándo usar cada una

No existe un único método mejor. Depende del tamaño de los archivos y de si el orden de filas importa. Así se comparan las opciones más comunes.

Método	Mejor para	Esfuerzo	¿Entiende CSV?
Revisión visual	Archivos diminutos, un puñado de filas	Bajo	No, tú eres el parser
Herramienta diff online	Verificaciones rápidas, pegar desde cualquier lugar	Bajo	Fila por fila, sí
App de hoja de cálculo	Revisión visual, fórmulas, filtrado	Medio	Sí, pero manual
Línea de comandos (sort, csvkit)	Archivos grandes, scripting, comparaciones por clave	Medio	Sí, cuando ordenas primero

Para la mayoría de las personas, una herramienta de navegador gana en velocidad: nada que instalar, y puedes pegar una exportación directamente desde una descarga o un cliente de base de datos. El truco está en el ruido del orden de filas y del delimitador, que abordamos a continuación. Para archivos muy grandes, vale la pena aprender csvkit en la línea de comandos.

La comparación limpia más rápida, paso a paso

Esta es la rutina que uso cuando alguien me da dos exportaciones y pregunta "¿qué es diferente?" Tarda menos de un minuto.

1. Asegúrate de que ambos archivos usen el mismo delimitador y tengan la misma fila de encabezado.
2. Si el orden de filas no importa, ordena ambos archivos por una columna clave primero.
3. Abre la herramienta de comparación CSV.
4. Pega el original a la izquierda y la nueva versión a la derecha.
5. Lee el resultado. El verde es una fila añadida, el rojo es una fila eliminada, y una celda modificada aparece como una de cada color.

El paso dos es todo el truco cuando las filas no están ordenadas. Una vez que ambos archivos están ordenados de la misma forma, lo único que queda por resaltar son las filas que realmente cambiaron. Nuestro motor de diff está construido sobre el diff-match-patch de Google, que compara línea por línea primero para que sea rápido incluso en archivos largos.

Un ejemplo práctico

Supón que estás revisando un cambio en una tabla de usuarios. Aquí está el antes:

id,name,role,seats
7,Ada Lovelace,editor,3
8,Alan Turing,viewer,1

Y aquí está el después, exportado en un orden de filas diferente:

id,name,role,seats
8,Alan Turing,viewer,1
7,Ada Lovelace,admin,5

Mete esos en un diff de líneas crudo y ambas filas de datos parecen cambiadas, porque intercambiaron posición. Ordena ambos por la columna id, y la historia real es breve:

Lo que realmente cambió

Fila (por id)	Columna	Antes	Después	Cambio
7	role	editor	admin	Modificado
7	seats	3	5	Modificado
8	—	—	—	Sin cambios (solo se movió)

Una edición real: el rol y el número de asientos de Ada cambiaron. La fila de Alan solo se movió. Ese ascenso de editor a admin es exactamente el tipo de cosa que quieres detectar en revisión, y es fácil perdérselo cuando está enterrado bajo filas que el diff marcó erróneamente como cambiadas.

Eliminar el ruido del orden de filas en la línea de comandos

Si tus archivos ya están en disco y las filas no tienen un orden inherente, la misma idea de "ordenar primero" funciona con dos comandos cortos. Mantén el encabezado en su lugar y ordena el resto:

(head -1 old.csv; tail -n +2 old.csv | sort) > old.sorted.csv
(head -1 new.csv; tail -n +2 new.csv | sort) > new.sorted.csv
diff old.sorted.csv new.sorted.csv

Ahora diff solo reporta filas que realmente cambiaron, porque ambos archivos están en el mismo orden. Para comparaciones por clave que también ignoran el orden de columnas, csvsort y csvjoin de csvkit te dan más control. Este es el equivalente en terminal de ordenar ambos lados antes de comparar en el navegador.

Delimitadores, comillas y la realidad desordenada

Los archivos CSV reales rompen las reglas constantemente. Un campo que contiene una coma debe ir entre comillas, así que "Lovelace, Ada" es un campo, no dos. Las comillas dentro de un campo entre comillas se duplican: "Ella dijo ""hola""". Y el separador mismo varía: las hojas de cálculo en configuraciones con coma decimal exportan con punto y coma, y los archivos separados por tabuladores (TSV) son comunes en los pipelines de datos. Antes de comparar, asegúrate de que ambos archivos usen el mismo delimitador y la misma convención de comillas, o normalízalos con un parser que siga RFC 4180. De lo contrario, el diff está comparando dos dialectos diferentes, no dos versiones de los mismos datos.

Errores comunes que debes vigilar

Error	Por qué duele	Solución
Delimitadores no coincidentes	Coma vs punto y coma hace que cada campo parezca diferente	Normaliza a un solo delimitador primero
BOM al inicio	Una marca de orden de bytes oculta cambia la primera celda del encabezado	Elimina el BOM antes de comparar
IDs con ceros a la izquierda	Una hoja de cálculo puede haber convertido 007 en 7	Mantén las columnas de ID como texto; compara como cadenas
Saltos de línea incrustados	Un campo entre comillas puede contener un salto de línea, desplazando cada fila posterior	Usa un parser CSV real, no una división por líneas
Espacios al final en las celdas	Espacios invisibles aparecen como un cambio	Recorta los valores de las celdas antes de comparar

Cuándo una hoja de cálculo es la mejor herramienta

Un diff de texto es perfecto para detectar qué filas cambiaron y revisar el cambio como datos. Pero si necesitas filtrar, pivotar o comparar por fórmula a través de miles de filas, una hoja de cálculo encaja mejor: importa ambos archivos, alinéalos por clave y usa una búsqueda para marcar las discrepancias. Los dos enfoques se complementan. Usa el diff para una lectura visual rápida y la hoja de cálculo cuando necesites segmentar los datos. Para las reglas del formato subyacente en cualquier caso, el resumen de CSV de Wikipedia es una referencia sólida.

Herramientas relacionadas

CSV rara vez es el único formato que manejas. Si los mismos datos también viven como JSON, comparar JSON aplica la misma idea. Eliminar duplicados de una columna de valores es rápido con eliminar líneas duplicadas, y poner las filas en un orden predecible antes de un diff es para lo que está ordenar líneas.