Sådan sammenligner du CSV-filer online trin for trin

Florian Poullin
Florian Poullin
19 min. læsning
Sammenlign CSV-filer post for post
Sådan sammenligner du CSV-filer online trin for trin
Indholdsfortegnelse
  1. Hurtige links
  2. Den hurtigste metode til CSV-sammenligning
  3. Eksempeldatasæt: Products CSV mod Offers CSV
  4. Trin 1: Upload den oprindelige og opdaterede CSV-fil
  5. Trin 2: Vælg, hvordan rækkerne skal matches
  6. Trin 3: Tilknyt kolonner med forskellige navne
  7. Trin 4: Vælg join-type og sammenligningsindstillinger
  8. Trin 5: Gennemgå tilføjede, fjernede, ændrede og uændrede rækker
  9. Trin 6: Eksportér resultatet af din CSV-diff
  10. Eksempel på outputtabel
  11. Hvornår bør du sammenligne CSV-filer på denne måde?
  12. Sammenlign, join eller deduplikér: Vælg den rette metode
  13. Fejlfinding og særlige tilfælde
    1. Rækker vises som tilføjet og fjernet i stedet for ændret
    2. For mange celler vises som ændret
    3. Kolonnerne har forskellige navne
    4. Der vises dublerede nøgler
    5. Filen er langsom, eller forhåndsvisningen er begrænset
    6. CSV-filen kan ikke læses
  14. Konklusion
  15. FAQ

Når du skal sammenligne CSV-filer online, bør du først og fremmest undgå en rå tekstdiff. CSV-filer indeholder strukturerede data. Rækker flyttes, kolonner omdøbes, eksporter får nye felter, og en linje-for-linje-sammenligning bliver hurtigt uoverskuelig.

Jeg foretrækker at sammenligne filerne som tabeller: Vælg en stabil nøgle, tilknyt kolonnerne, gennemgå tilføjede, fjernede, ændrede og uændrede rækker, og eksportér derefter differencen. Det er netop det, Datablists CSV Diff tool er udviklet til.

I denne guide sammenligner jeg en ældre eksport af et produktkatalog med en nyere tilbudsfil fra en leverandør. De to filer har ikke de samme kolonner, men de deler EAN, Internal ID, Price og Stock. Det giver os et realistisk eksempel: Produkterne matches via EAN, pris og lagerbeholdning sammenlignes, og resultatet eksporteres.

Den hurtigste metode til CSV-sammenligning

Hvis du allerede har begge filer klar, er processen kort:

  1. Åbn Datablists CSV Diff tool.
  2. Upload den ældre fil som den oprindelige CSV.
  3. Upload den nyere fil som den opdaterede CSV.
  4. Begynd med automatisk registrering, og bekræft derefter nøglekolonnen.
  5. Tilknyt kolonnerne, hvis filerne bruger forskellige navne.
  6. Behold full outer join ved den første kontrol.
  7. Gennemgå ændrede, tilføjede, fjernede og uændrede rækker.
  8. Eksportér den fulde CSV-diff ved første gennemgang.
  9. Skift til eksport af ændrede rækker, hvis du har brug for en kortere fil til overlevering.

Det fungerer bedre end en tekstdiff, fordi sammenligningen følger posterne og ikke linjenumrene. Hvis en CRM-eksport ændrer kontakternes rækkefølge, eller en leverandør tilføjer en ny kolonne, kan en tekstdiff få hele filen til at se ændret ud. En tabeldiff viser præcist, hvilke poster og celler der er ændret.

🔑 Vælg rækkenøglen, før du vurderer differencen

En god nøglekolonne gør en støjende sammenligning brugbar. Vælg et ID, en e-mailadresse, SKU, EAN eller en intern identifikator, som er stabil på tværs af eksporter.

Eksempeldatasæt: Products CSV mod Offers CSV

I denne guide bruger jeg et fiktivt datasæt fra en webshop. Den første fil er en ældre eksport af produktkataloget. Den anden er et nyere feed med tilbud fra en leverandør eller markedsplads.

Den oprindelige Products CSV ser sådan ud:

IndeksEANInternt IDNavnBrandKategoriPrisValutaLagerTilgængelighed
15901234123457PRD-001Lufttæt flaskeAcme OutdoorOutdoor24.90EUR42På lager
25901234123464PRD-002Bento-madkasseNorthlineKøkken18.50EUR120På lager
35901234123471PRD-003Mulepose i bomuldUrban GoodsTilbehør9.90EUR0Ikke på lager
45901234123488PRD-004LED-skrivebordslampeLumaKontor39.00EUR18På lager
55901234123495PRD-005YogamåtteBalanceFitSport29.00EUR65På lager
105901234123549PRD-010Trådløs musClickProElektronik34.00EUR55På lager

Den opdaterede Offers CSV har færre beskrivende felter, men indeholder stadig de identifikatorer og kommercielle værdier, jeg skal bruge:

Tilbuds-IDEANInternt IDLeverandør-SKULagerPris
OFF-0015901234123457PRD-001ACM-BTL-013823.90
OFF-0025901234123464PRD-002NTH-LBX-0212018.50
OFF-0035901234123471PRD-003UGD-TOTE-03259.90
OFF-0045901234123488PRD-004LMA-LAMP-041835.00
OFF-0055901234123495PRD-005BFT-MAT-056529.00
OFF-0085901234123556PRD-011CLP-CAB-114416.50

Dette filpar indeholder de situationer, jeg normalt vil have med i et eksempel på en CSV-diff: ændrede værdier, nye rækker, fjernede rækker, uændrede rækker og forskellige skemaer. I det fulde eksempel forventer jeg, at PRD-001, PRD-003, PRD-004, PRD-006 og PRD-010 er ændret. Jeg forventer, at PRD-011 og PRD-012 er tilføjet, mens PRD-008 og PRD-009 er fjernet.

Trin 1: Upload den oprindelige og opdaterede CSV-fil

Åbn CSV Diff tool. Du får vist to områder til upload:

  • Original CSV: Den tidligere eksport, det gamle øjebliksbillede eller din baselinefil.
  • Updated CSV: Den nyere eksport, som skal sammenlignes med den oprindelige.

Rækkefølgen er vigtig. Hvis en række kun findes i den opdaterede fil, markerer Datablist den som added. Hvis rækken kun findes i den oprindelige fil, markeres den som removed.

I produkteksemplet uploader jeg Products CSV som den oprindelige fil, fordi den er den ældre katalogeksport. Offers CSV uploades som den opdaterede fil, fordi den repræsenterer det nyere leverandørfeed.

Uploadskærmen i CSV Diff tool med filfelterne Original CSV og Updated CSV
Uploadskærmen i CSV Diff tool med filfelterne Original CSV og Updated CSV

Når du har valgt begge filer, læser værktøjet dem og forbereder den første sammenligning. CSV-filerne behandles og sammenlignes i din browser. Parseren registrerer almindelige separatorer som komma, semikolon, tabulator og pipe og understøtter gængse kodninger som UTF-8 samt filer i Windows-1252-format.

Jeg kontrollerer alligevel altid filernes rækkefølge, før jeg ser på resultatet. Mange misvisende CSV-sammenligninger skyldes, at den gamle og den nye fil er byttet om, så tilføjede og fjernede rækker læses baglæns.

Trin 2: Vælg, hvordan rækkerne skal matches

Matching af rækker er den vigtigste indstilling i processen.

Datablist kan begynde med automatisk registrering. Værktøjet leder efter sandsynlige identifikatorkolonner som id, email, sku, uuid, external_id, record_id, user_id, contact_id og company_id.

Til produktdata foretrækker jeg normalt:

  • EAN, når værdien findes og er unik.
  • Internal ID, når EAN-værdier mangler, forekommer flere gange eller varierer mellem leverandører.
  • SKU, men kun når samme SKU bruges i begge filer.

I CRM- eller leadfiler kan den tilsvarende nøgle være email, contact_id, company_id eller et post-ID fra CRM-systemet.

Indstillinger til matching i CSV Diff med automatisk registrering af rækker og full outer join
Indstillinger til matching i CSV Diff med automatisk registrering af rækker og full outer join

Matchingtypen afhænger af dine datas opbygning:

  • Brug matching med én nøgle til de fleste eksporter. Én stabil kolonne er lettere at kontrollere.
  • Brug matching med flere nøgler, når én kolonne ikke er tilstrækkeligt unik. Det kan for eksempel være Company Domain kombineret med Email.
  • Brug kun sammenligning af hele rækken, når du ikke har en stabil identifikator.
  • Brug automatisk registrering i første omgang, men bekræft den fundne nøgle, før du stoler på tallene.

⚠️ En svag nøgle skaber støj blandt tilføjede og fjernede rækker

Hvis nøglen mangler, forekommer flere gange eller har skiftet format mellem eksporter, kan matchende poster fremstå som én fjernet og én tilføjet række. Kontrollér markeringer af dublerede nøgler, før du bruger resultatet til en opdatering.

Dublerede nøgler er ikke en grund til at se bort fra differencen, men de er et signal om, at du bør gå langsommere frem. Værktøjet markerer dublerede nøgler, og jeg behandler disse rækker som poster, der skal kontrolleres, før jeg lægger vægt på optællingerne.

Trin 3: Tilknyt kolonner med forskellige navne

Kolonnetilknytningen afgør, hvilke felter der sammenlignes.

I produkteksemplet deler de to filer EAN, Internal ID, Stock og Price. Den oprindelige fil indeholder desuden Name, Brand, Category, Currency og Availability. Den opdaterede fil har Offer ID og Supplier SKU.

Jeg ønsker ikke, at metadata, som kun findes i leverandørfilen, skal registreres som ændringer. Jeg vil sammenligne de kolonner, der besvarer mit forretningsmæssige spørgsmål:

  • Match rækker via EAN.
  • Sammenlign Stock med Stock.
  • Sammenlign Price med Price.
  • Behold beskrivende kolonner som kontekst, når de gør det lettere at kontrollere rækken.
  • Lad irrelevante felter stå uden tilknytning, hvis de ikke skal påvirke sammenligningen.

Når kolonnenavnene er ens, kan Datablist automatisk justere dem efter navn. Kolonnerne behøver ikke stå i samme rækkefølge. Manuel tilknytning er vigtig, når navnene har ændret sig. En CRM-eksport kan for eksempel bruge customer_id i den ene fil og Customer ID i den anden. Tilknyt dem kun, hvis de repræsenterer den samme værdi.

💡 Tilknyt kun de kolonner, du vil sammenligne

Nye metadatakolonner dukker ofte op i leverandørfeeds og CRM-eksporter. Hvis et felt ikke skal tælle som en ændring, skal du lade det stå uden tilknytning eller kun bruge det som kontekst under gennemgangen.

Dette trin kan virke ubetydeligt, men det er ofte her, du sparer mest tid. En forkert nøgle giver dårlig matching af rækker. Forkert kolonnetilknytning giver misvisende ændringstal.

Trin 4: Vælg join-type og sammenligningsindstillinger

Til den første kørsel anbefaler jeg denne opsætning:

  • Full outer join.
  • En stabil nøglekolonne.
  • Ignorér indledende og afsluttende mellemrum.
  • Normalisér tomme og null-lignende værdier.
  • Behold forskel på store og små bogstaver, medmindre brugen af versaler ikke er relevant.

Full outer join er det bedste standardvalg, fordi det viser alt: matchende rækker, tilføjede rækker og fjernede rækker. Du får det brede overblik, før du indsnævrer resultatet.

Sammenligningsindstillinger i CSV Diff for kolonnerækkefølge, mellemrum, store og små bogstaver samt normalisering af null-lignende værdier
Sammenligningsindstillinger i CSV Diff for kolonnerækkefølge, mellemrum, store og små bogstaver samt normalisering af null-lignende værdier

Join-typen ændrer, hvad der vises i resultatet:

  • Full outer join viser matchende rækker, rækker, der kun findes i den oprindelige fil, og rækker, der kun findes i den opdaterede fil.
  • Inner join viser kun poster, som findes i begge filer. Brug den, hvis du kun er interesseret i ændringer i fælles rækker.
  • Left join bruger den oprindelige fil som grundlag og udelader rækker, der kun findes i den opdaterede fil.

Sammenligningsindstillingerne reducerer støj fra formatering:

  • Ignore whitespace fjerner indledende og afsluttende mellemrum, før cellerne sammenlignes.
  • Ignore case behandler Acme og ACME som ens.
  • Normalisering af tomme og null-lignende værdier behandler tomme felter, null, undefined, nil, none, n/a og na som tilsvarende pladsholdere.

Slå normalisering fra, hvis en pladsholder er en betydningsfuld kode i dine data. Antag, at den oprindelige post har id = 101 og Region = NA, hvor NA betyder Nordamerika, mens den opdaterede post har samme ID, men et tomt Region-felt. Når Normalize empty and null-like values er aktiveret, opfattes Region-værdierne som ens, og rækken kan fremstå som unchanged, hvis ingen andre tilknyttede værdier afviger.

Hvis du vil registrere denne ændring, skal du slå indstillingen fra, beholde id som nøgle og Region som tilknyttet felt og derefter køre sammenligningen igen. Rækken bør nu være changed, og NA vises ved siden af den tomme værdi i den fulde diff-eksport. Kontrollér en sådan post, før du vælger normalisering for hele filen. Indstillingen gælder nemlig for alle sammenlignede kolonner.

📘 Brug full outer join ved den første kontrol

Begynd bredt, og indsnævr derefter. Når du har bekræftet, at antallet af tilføjede, fjernede og ændrede rækker ser rigtigt ud, kan du eksportere en mindre fil med ændrede rækker til gennemgang.

Ved store filer har browserens og enhedens ydeevne betydning. Forhåndsvisningen er begrænset for at forblive responsiv, mens den downloadbare CSV-fil oprettes ud fra hele resultatet. Hvis en eksport er for stor til at gennemgå komfortabelt, kan du først opdele den store CSV-fil i mindre filer.

Trin 5: Gennemgå tilføjede, fjernede, ændrede og uændrede rækker

Når sammenligningen er kørt, skal du begynde med rækkernes status:

  • added: Nøglen findes kun i den opdaterede CSV.
  • removed: Nøglen findes kun i den oprindelige CSV.
  • changed: Nøglen findes i begge filer, og mindst én tilknyttet værdi er ændret.
  • unchanged: Nøglen findes i begge filer, og de tilknyttede værdier er ens efter normalisering.

Produkteksemplet giver nogle tydelige situationer:

  • PRD-001 er ændret, fordi Price er gået fra 24.90 til 23.90, og Stock er gået fra 42 til 38.
  • PRD-003 er ændret, fordi lagerbeholdningen er gået fra 0 til 25.
  • PRD-011 er tilføjet, fordi dens EAN kun findes i Offers CSV.
  • PRD-008 er fjernet, fordi dens EAN kun findes i Products CSV.

Brug statusfiltrene til at fokusere gennemgangen. Jeg begynder normalt med Changed og kontrollerer derefter Added og Removed. Jeg gemmer Unchanged til sidst, medmindre jeg har brug for et komplet kontrolspor.

Forhåndsvisningstabel i CSV Diff med statusfiltre, søgning, kopiering og download
Forhåndsvisningstabel i CSV Diff med statusfiltre, søgning, kopiering og download

Visningen med ændrede rækker er nyttig, når du skal se forskelle på celleniveau. Den viser den oprindelige og den opdaterede værdi side om side for hver ændret kolonne.

Visning af ændrede rækker i CSV Diff med oprindelige og opdaterede celleværdier side om side
Visning af ændrede rækker i CSV Diff med oprindelige og opdaterede celleværdier side om side

Før eksporten gennemfører jeg en kort kvalitetskontrol:

  • Ser antallet af tilføjede og fjernede rækker realistisk ud?
  • Matchede værktøjet rækkerne via den forventede nøgle?
  • Er dublerede nøgler markeret?
  • Er kolonnerne tilknyttet korrekt?
  • Ignoreres ændringer, som kun skyldes formatering, når de bør ignoreres?
  • Giver nogle få udfoldede, ændrede rækker mening?

Oversigten giver endnu en hurtig kontrol. Den viser oplysninger om behandlingen, tilknyttede kolonner, markeringer af dublerede nøgler og antallet af rækker for hver status.

Oversigtskort i CSV Diff med antal ændrede, tilføjede, fjernede og uændrede rækker samt behandling og tilknyttede kolonner
Oversigtskort i CSV Diff med antal ændrede, tilføjede, fjernede og uændrede rækker samt behandling og tilknyttede kolonner

Hvis tallene ser mærkelige ud, skal du vente med at eksportere. Gå først tilbage til nøglen og kolonnetilknytningen. Det er her, de fleste problemer opstår.

Trin 6: Eksportér resultatet af din CSV-diff

Når forhåndsvisningen ser rigtig ud, kan du eksportere resultatet. Datablist tilbyder forskellige outputtyper alt efter dit behov:

  • Summary CSV: Brug den til rækkestatus, nøgler, optællinger og et kontrolvenligt overblik.
  • Changed rows CSV: Brug den, når modtageren kun skal gennemgå poster med forskelle.
  • Full diff CSV: Brug den til at se oprindelige og opdaterede værdier side om side.

Ved den første kørsel foretrækker jeg Full diff CSV. Den bevarer mere kontekst, hvilket er nyttigt, hvis en ændring senere skal forklares. Når processen er valideret, skifter jeg til Changed rows CSV for at få en kortere fil.

Du kan også vælge separator:

  • Komma til de fleste regnearksprocesser.
  • Semikolon, når din lokalitet eller det efterfølgende system forventer det.
  • Pipe eller tabulator til værktøjer, der kræver disse formater.

Værktøjet giver dig mulighed for at kopiere CSV-filen med forskellene eller downloade den. Downloadede filer følger dette mønster:

text
csv-diff-{originalBase}-vs-{updatedBase}.csv

Hvis det eksporterede resultat er stort, og du skal filtrere eller redigere det, før du deler det, kan du følge Datablists guide til at redigere store CSV-filer online.

Eksempel på outputtabel

Her er et lille eksempel på, hvordan en fuld diff-eksport kan se ud for produktdataene.

statuskeychanged_columnsoriginal:Priceupdated:Priceoriginal:Stockupdated:Stock
changed5901234123457Price|Stock24.9023.904238
changed5901234123471Stock9.909.90025
added590123412355616.5044
removed59012341235257.5088

Den eksporterede CSV-fil kan indeholde:

  • status: added, removed, changed eller unchanged.
  • key: Den værdi, der bruges til at matche rækken.
  • __row_index_original: Rækkenummeret i den oprindelige CSV, når det findes.
  • __row_index_updated: Rækkenummeret i den opdaterede CSV, når det findes.
  • __duplicate_key: Om den valgte nøgle forekommer mere end én gang.
  • changed_columns: De ændrede felter.
  • changed_columns_count: Antallet af ændrede felter.
  • summary: En letlæselig oversigt over ændringerne.
  • Par med original:{column} og updated:{column} til gennemgang side om side.

Jeg kan godt lide dette format, fordi det er nemt at videregive. Modtageren kan filtrere efter status = changed, sortere efter changed_columns_count eller isolere tilføjede og fjernede poster uden at køre sammenligningen igen.

Hvornår bør du sammenligne CSV-filer på denne måde?

Denne proces passer til alle situationer, hvor du har to øjebliksbilleder og skal finde ud af, hvad der er ændret. Gode eksempler er:

  • Opdateringer af priser og lagerbeholdning i produktkataloger.
  • Kontrol af leverandørfeeds før import af nye tilbud.
  • En CRM-eksport før og efter dataoprydning.
  • Opdatering af leadlister.
  • Sammenligning af lagerøjebliksbilleder.
  • Kontrol ved overlevering af regneark.
  • Genererede CSV-eksporter fra en proces til konvertering af JSON.

Hvis du eksempelvis først konverterer indlejret JSON til CSV, kan du bagefter bruge CSV Diff til at sammenligne to genererede eksporter. Hvis du forbereder poster til et CRM-system, kan du køre differencen før en mere omfattende data cleaning, så du ved, hvilke rækker der er ændret.

Sammenlign, join eller deduplikér: Vælg den rette metode

CSV-sammenligning er ikke det samme som at joine eller deduplikere filer. Brug CSV Diff, når dit spørgsmål er:

Hvad er ændret mellem disse to øjebliksbilleder?

Brug en join-proces, når dit spørgsmål er:

Hvordan kombinerer jeg felter fra to filer?

Se i så fald guiden til at joine CSV-filer via en unik identifikator. Hvis du vil forstå forskellen mellem at stable rækker og tilføje kolonner via en fælles nøgle, bør du se eksemplerne på merge og join, før du vælger en metode til at kombinere filerne.

Brug deduplikering, når dit spørgsmål er:

Hvilke poster går igen i én eller flere filer?

Se i så fald guiden til at fjerne dubletter fra CSV-filer.

Forskellen er vigtig, fordi hver proces har sit eget formål. CSV Diff bruges til at sammenligne øjebliksbilleder og eksportere en diff. Det er hverken et værktøj til fuzzy matching eller et merge-værktøj.

Fejlfinding og særlige tilfælde

Rækker vises som tilføjet og fjernet i stedet for ændret

Kontrollér først nøglekolonnen. Hvis nøglen er ændret mellem filerne, kan Datablist ikke behandle de to rækker som samme post. Kontrollér også filernes rækkefølge. Hvis den oprindelige og den opdaterede fil er byttet om, bliver tilføjede og fjernede rækker vendt om.

For mange celler vises som ændret

Gennemgå sammenligningsindstillingerne. Aktivér fjernelse af overflødige mellemrum, hvis mellemrum ikke bør tælle. Sammenlign uden forskel på store og små bogstaver, hvis versaler ikke er relevante. Normalisér tomme værdier, hvis tomme felter og pladsholdere skal matche, og kontrollér kolonnetilknytningen for omdøbte felter.

Kolonnerne har forskellige navne

Brug manuel tilknytning. Tilknyt kun felter, når de betyder det samme. Lad irrelevante kolonner stå uden tilknytning, hvis de ikke skal påvirke sammenligningen.

Der vises dublerede nøgler

Betragt dublerede nøgler som et signal om, at posterne skal kontrolleres. Resultatet kan stadig være nyttigt, men dublerede nøgler betyder, at den valgte identifikator ikke er tilstrækkeligt unik. Rens kildefilerne, eller vælg en stærkere nøgle, før du bruger optællingerne til en import.

Filen er langsom, eller forhåndsvisningen er begrænset

Store filer er afhængige af browserens og enhedens ydeevne. Brug forhåndsvisningen til kontrollen, og download derefter CSV-differencen, når du skal bruge hele resultatet.

CSV-filen kan ikke læses

Kontrollér, om der er tekstfelter med anførselstegn, som ikke er lukket, usædvanlige afgrænsningstegn eller problemer med tegnkodningen. Ét enkelt beskadiget felt med anførselstegn kan gøre hele CSV-filen ugyldig.

Konklusion

Den bedste måde at sammenligne to CSV-eksporter på er at behandle dem som data og ikke som tekst. Upload den gamle fil som den oprindelige CSV, upload den nye som den opdaterede CSV, vælg en stabil nøgle, tilknyt kolonnerne, gennemgå rækkernes status, og eksportér differencen.

Min standardopsætning er enkel: full outer join, en stabil nøgle, fjernelse af overflødige mellemrum, normalisering af null-lignende værdier og en fuld diff-eksport til den første gennemgang.

Du kan gennemføre processen med Datablists CSV Diff tool.

FAQ

Hvordan sammenligner jeg to CSV-filer online?

Åbn Datablists CSV Diff tool, upload den ældre fil som Original CSV, upload den nyere som Updated CSV, vælg en nøglekolonne, gennemgå resultatet, og download derefter din diff-CSV.

Kan jeg sammenligne CSV-filer via ID, e-mail, SKU eller EAN?

Ja. Brug den fælles identifikator som nøglekolonne. Gode nøgler omfatter post-ID'er, e-mailadresser, SKU'er, EAN-numre, interne ID'er, virksomheds-ID'er og andre værdier, der forbliver stabile mellem eksporter.

Hvad gør jeg, hvis rækkerne står i forskellig rækkefølge?

Brug nøglebaseret matching. Når rækkerne matches via en stabil nøgle, behøver de ikke stå i samme rækkefølge i de to filer.

Kan jeg sammenligne CSV-filer med forskellige kolonnenavne?

Ja. Tilknyt kolonnerne manuelt, når navnene er forskellige. Du kan eksempelvis tilknytte customer_id i den ene fil til Customer ID i den anden, hvis de repræsenterer samme identifikator.

Hvilken join-type er bedst til en CSV-diff?

Brug full outer join ved den første kontrol. Den viser matchende, tilføjede og fjernede rækker. Brug kun inner join, hvis du udelukkende er interesseret i poster, der findes i begge filer.

Kan jeg ignorere mellemrum, versaler eller tomme værdier?

Ja. Du kan fjerne overflødige mellemrum, sammenligne tekst uden forskel på store og små bogstaver og behandle tomme eller null-lignende pladsholdere som ens. Jeg lader normalt fjernelse af overflødige mellemrum og normalisering af tomme værdier være aktiveret.

Kan jeg nøjes med at eksportere ændrede rækker?

Ja. Brug outputtet med ændrede rækker, når du har brug for en kortere fil til gennemgang. Jeg anbefaler dog stadig, at du først eksporterer den fulde diff én gang, så du kan validere sammenligningen.

Hvad betyder added, removed, changed og unchanged?

added betyder, at nøglen kun findes i den opdaterede CSV. removed betyder, at nøglen kun findes i den oprindelige CSV. changed betyder, at nøglen findes i begge filer, men at de tilknyttede værdier er forskellige. unchanged betyder, at nøglen findes i begge filer, og at de tilknyttede værdier er ens.

Bliver CSV-filerne uploadet til en server?

CSV-filerne behandles og sammenlignes i din browser. Betragt det som et browserbaseret sammenligningsværktøj og ikke som en import- eller synkroniseringsproces til en Datablist collection.

Kan værktøjet sammenligne store CSV-filer?

Ja, men meget store filer afhænger af browserens og enhedens ydeevne. Forhåndsvisningen er begrænset for at forblive responsiv, mens den downloadbare CSV-fil bygges ud fra hele resultatet.

Hvad betyder dublerede nøgler i en CSV-diff?

En nøgle bør identificere én post i hver fil. Hvis den oprindelige fil har to rækker med SKU-101, parrer værktøjet den første forekomst med den første matchende række i den opdaterede fil og markerer den dublerede nøgle. Yderligere rækker i den oprindelige fil vises som fjernet ved full eller left join, mens yderligere rækker i den opdaterede fil vises som tilføjet ved full join. Disse statusser beskriver sammenligningen og er ikke en bekræftet forretningsmæssig sletning eller oprettelse.

Jeg ville først løse problemet med nøglen, før rækkerne blev brugt som instruktioner til en import. To leverandørtilbud for samme SKU kræver eksempelvis en nøgle, der kombinerer SKU og Supplier ID. Hvis rækkerne er utilsigtede dubletter, bør du kontrollere og samle dem først. Slet ikke bare den ene for at få advarslen til at forsvinde.

Brug også samme nøgleformat i alle øjebliksbilleder. Hvis en identifikator ændres fra 00101 til 101, kan den fremstå som én fjernet og én tilføjet post. Bevar foranstillede nuller i kildeeksporterne, når de har betydning, og kør derefter sammenligningen igen med den ønskede nøgle og kolonnetilknytning.