Limpiar un CSV

Por qué 'solo es un CSV' rara vez está limpio

El CSV parece el formato de datos más simple posible, y esa misma simplicidad es la razón por la que acumula desorden: no hay un esquema que exija un tipo, no hay un estándar que obligue a un encoding específico, y cada hoja de cálculo tiene su propia idea sobre comas finales, comillas y filas vacías. Un archivo exportado de un sistema contable, abierto una vez en una hoja de cálculo y guardado de nuevo por un colega puede terminar con espacios al inicio y al final de cada campo, una marca de orden de bytes al principio, varias filas completamente vacías, y números de teléfono o códigos postales que perdieron sus ceros iniciales porque una celda se convirtió automáticamente en número.

Qué cubre el proceso de limpieza

Llama a POST /data/clean-csv con su archivo y recibe un task_id de inmediato, ya que la limpieza corre como una tarea asíncrona. El servicio recorta los espacios al inicio y al final de cada campo, detecta y corrige desajustes comunes de codificación de caracteres para que las letras acentuadas y los caracteres especiales se muestren correctamente, elimina las filas completamente vacías y normaliza tipos evidentes — convirtiendo texto como ' 42 ' en un número propio y cadenas que claramente representan booleanos en booleanos reales — dejando intactos los valores genuinamente ambiguos en lugar de adivinar.

Una breve nota sobre por qué la codificación falla tanto

El CSV es anterior a cualquier estándar universal de codificación de texto, así que un archivo escrito en un sistema como Latin-1 y abierto en otro que espera UTF-8 convierte los caracteres acentuados en símbolos ilegibles, un problema que cualquiera que haya exportado datos entre regiones o sistemas antiguos conoce bien. Como el formato CSV en sí no lleva ninguna declaración de qué codificación usa, las herramientas tienen que detectarla de forma heurística, exactamente el tipo de paso delicado y propenso a errores que conviene resolver una sola vez, de forma automática, en lugar de repetirlo a mano en cada script que sigue.

Dónde encaja la limpieza en una tubería

Coloque este paso justo después de recibir cualquier CSV de una fuente externa: una carga de un cliente, la exportación de un sistema heredado, el feed de datos de un socio o un archivo que llega en un horario programado. Limpie antes de deduplicar, limpie antes de cargar a una base de datos y limpie antes de entregar un archivo a cualquier proceso que asuma tipos bien formados, porque los problemas de datos sucios se multiplican rápido en cuanto llegan a un cruce o una agregación.

Entrega, precio y estado

El CSV limpio se entrega por un webhook firmado, recomendado para tuberías de ingesta, o un enlace firmado válido durante 24 horas; el origen y la salida se eliminan tras la ventana de retención y nunca se usan para entrenar modelos. El precio es un fijo de $0.002 por solicitud sin importar el número de filas, y una tarea fallida — por ejemplo, un archivo que no se puede analizar como CSV en absoluto — nunca se cobra tras los tres reintentos estándar. Este endpoint está activo ahora.