Comparar dois arquivos CSV e ver o que mudou

A maneira mais rápida de comparar dois arquivos CSV é colar ambos em uma ferramenta de diff lado a lado, alinhar as colunas e ler as linhas que ela destaca. A comparação é a parte fácil. O ruído é o que complica para as pessoas: uma exportação reordenada, um ponto e vírgula em vez de uma vírgula ou um valor que alguém colocou entre aspas podem fazer dois arquivos que contêm os mesmos dados parecerem não ter nada em comum.

Este guia mostra como obter um diff de CSV limpo e confiável. Vamos ver por que duas exportações equivalentes se afastam no papel, quais métodos vale a pena conhecer e um exemplo prático que você pode acompanhar. Se você só quer a ferramenta, nossa página de comparação de CSV faz isso no navegador.

Por que arquivos CSV são enganosamente difíceis de comparar

O CSV parece simples, mas não tem um único padrão rígido. O mais próximo disso é o RFC 4180, e muitos arquivos do mundo real não o seguem. Duas exportações da mesma tabela podem diferir em delimitador, aspas, finais de linha e ordem das linhas enquanto descrevem exatamente os mesmos dados. Um diff de texto simples não sabe disso, então sinaliza tudo.

Aqui está o ponto-chave a decidir antes de começar: a ordem das linhas importa para você? Uma exportação de banco de dados ordenada por nome e a mesma exportação ordenada por ID contêm o conjunto idêntico de registros, mas um diff de linhas vai pintar quase todas as linhas de vermelho e verde. Se as linhas têm uma chave estável (uma coluna de ID), ordenar ambos os arquivos por essa chave primeiro transforma o diff de volta em algo legível.

Parece uma mudança, mas geralmente não é

O que você vê no diff	É uma mudança real?	O que fazer
Linhas em ordem diferente	Não, se os dados são o mesmo conjunto	Ordenar ambos os arquivos por uma coluna-chave
Delimitador vírgula vs. ponto e vírgula	Não, mesmos campos	Normalizar para um delimitador
Ada vs. "Ada"	Não, as aspas são opcionais aqui	Normalizar as aspas
Finais de linha CRLF vs. LF	Não	Normalizar os finais de linha
Uma linha vazia no final	Não	Remover
O valor de uma célula mudou	Sim	Investigar, isso é real

A linha do delimitador pega muita gente, especialmente entre regiões: muitas configurações regionais europeias usam ponto e vírgula porque a vírgula é o separador decimal. Mesmos dados, separador diferente. Se você quer o detalhe de como navegadores e ferramentas leem texto tabular, a nota da MDN sobre leitura de arquivos no navegador é um bom ponto de partida.

Quatro maneiras de comparar CSV e quando usar cada uma

Não existe um único método melhor. Depende do tamanho dos arquivos e de se a ordem das linhas importa. Veja como as opções comuns se comparam.

Método	Melhor para	Esforço	Entende CSV?
Olhar a olho nu	Arquivos minúsculos, poucas linhas	Baixo	Não, você é o parser
Ferramenta de diff online	Verificações rápidas, colar de qualquer lugar	Baixo	Linha por linha, sim
Aplicativo de planilha	Revisão visual, fórmulas, filtragem	Médio	Sim, mas manual
Linha de comando (sort, csvkit)	Arquivos grandes, scripting, comparações por chave	Médio	Sim, quando você ordena primeiro

Para a maioria das pessoas, uma ferramenta de navegador vence na velocidade: nada para instalar, e você pode colar uma exportação direto de um download ou de um cliente de banco de dados. O porém é o ruído de ordem das linhas e de delimitador, que tratamos a seguir. Para arquivos muito grandes, vale a pena aprender o csvkit na linha de comando.

A comparação limpa mais rápida, passo a passo

Esta é a rotina que uso quando alguém me entrega duas exportações e pergunta "o que mudou?". Leva menos de um minuto.

1. Garanta que ambos os arquivos usem o mesmo delimitador e tenham a mesma linha de cabeçalho.
2. Se a ordem das linhas não importa, ordene ambos os arquivos por uma coluna-chave primeiro.
3. Abra a ferramenta de comparação de CSV.
4. Cole o original à esquerda e a nova versão à direita.
5. Leia o resultado. Verde é uma linha adicionada, vermelho é uma linha removida, e uma célula alterada aparece como uma de cada.

O passo dois é todo o truque quando as linhas estão desordenadas. Uma vez que ambos os arquivos estão ordenados da mesma forma, a única coisa que resta a destacar são as linhas que realmente mudaram. Nosso motor de diff é construído sobre o diff-match-patch do Google, que compara linha por linha primeiro, então permanece rápido mesmo em arquivos longos.

Um exemplo prático

Digamos que você esteja revisando uma mudança numa tabela de usuários. Aqui está o antes:

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

E aqui está o depois, exportado em uma ordem de linhas diferente:

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

Jogue isso em um diff de linhas bruto e ambas as linhas de dados parecem alteradas, porque trocaram de posição. Ordene as duas pela coluna id, e a história real é curta:

O que realmente mudou

Linha (por id)	Coluna	Antes	Depois	Mudança
7	role	editor	admin	Modificado
7	seats	3	5	Modificado
8	—	—	—	Sem mudança (apenas movido)

Uma edição real: a função e a contagem de assentos de Ada mudaram. A linha de Alan apenas se moveu. Essa promoção de editor para admin é exatamente o tipo de coisa que você quer pegar na revisão, e é fácil de perder quando está enterrada sob linhas que o diff sinalizou erroneamente como alteradas.

Eliminando o ruído de ordem das linhas na linha de comando

Se seus arquivos já estão no disco e as linhas não têm ordem inerente, a mesma ideia de "ordenar primeiro" funciona com dois comandos curtos. Mantenha o cabeçalho no lugar e ordene o 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

Agora o diff só reporta as linhas que realmente mudaram, porque ambos os arquivos estão na mesma ordem. Para comparações por chave que também ignoram a ordem das colunas, o csvsort e o csvjoin do csvkit dão mais controle. Este é o equivalente no terminal a ordenar os dois lados antes de comparar no navegador.

Delimitadores, aspas e a realidade bagunçada

Arquivos CSV reais quebram as regras o tempo todo. Um campo que contém uma vírgula precisa estar entre aspas, então "Lovelace, Ada" é um campo, não dois. Aspas dentro de um campo entre aspas são duplicadas: "Ela disse ""oi""". E o próprio separador varia: planilhas em configurações regionais com vírgula decimal exportam com ponto e vírgula, e arquivos separados por tabulação (TSV) são comuns em pipelines de dados. Antes de comparar, garanta que ambos os arquivos usem o mesmo delimitador e a mesma convenção de aspas, ou normalize-os com um parser que siga o RFC 4180. Caso contrário, o diff está comparando dois dialetos diferentes, não duas versões dos mesmos dados.

Armadilhas comuns para ficar de olho

Armadilha	Por que ela morde	Solução
Delimitadores incompatíveis	Vírgula vs. ponto e vírgula faz cada campo parecer diferente	Normalizar para um delimitador primeiro
BOM no início	Uma marca de ordem de bytes oculta altera a primeira célula do cabeçalho	Remover o BOM antes de comparar
IDs com zeros à esquerda	Uma planilha pode ter transformado 007 em 7	Manter colunas de ID como texto; comparar como strings
Quebras de linha embutidas	Um campo entre aspas pode conter uma quebra de linha, deslocando cada linha seguinte	Usar um parser de CSV de verdade, não uma divisão por linhas
Espaços no final das células	Espaços invisíveis aparecem como uma mudança	Aparar os valores das células antes de comparar

Quando uma planilha é a melhor ferramenta

Um diff de texto é perfeito para identificar quais linhas mudaram e revisar a mudança como dados. Mas se você precisa filtrar, dinamizar ou comparar por fórmula em milhares de linhas, uma planilha encaixa melhor: importe os dois arquivos, alinhe-os por chave e use uma pesquisa para sinalizar divergências. As duas abordagens se complementam. Use o diff para uma leitura visual rápida e a planilha quando precisar fatiar os dados. Para as regras do formato subjacente de qualquer forma, a visão geral de CSV da Wikipedia é uma referência sólida.

Ferramentas relacionadas

CSV raramente é o único formato com que você lida. Se os mesmos dados também vivem como JSON, a comparação de JSON aplica a mesma ideia. Remover duplicatas de uma coluna de valores é rápido com remover linhas duplicadas, e colocar as linhas em uma ordem previsível antes de um diff é exatamente para isso que serve ordenar linhas.