Lorsque vous devez comparer des fichiers CSV en ligne, évitez avant tout d’utiliser un simple outil de diff textuel. Les fichiers CSV contiennent des données structurées. Les lignes changent de place, les colonnes sont renommées, de nouveaux champs apparaissent dans les exports : une comparaison ligne par ligne devient vite illisible.
Je préfère comparer les fichiers comme des tableaux : choisir une clé stable, mapper les colonnes, examiner les lignes ajoutées, supprimées, modifiées ou inchangées, puis exporter les différences. C’est précisément ce que permet l’outil CSV Diff de Datablist.
Dans ce guide, je vais comparer un ancien export de catalogue produits avec un fichier d’offres fournisseur plus récent. Les deux fichiers n’ont pas les mêmes colonnes, mais ils partagent les champs EAN, Internal ID, Price et Stock. Nous disposons donc d’un cas réaliste : associer les produits par EAN, comparer les prix et les stocks, puis exporter le résultat.
Accès rapide
- La méthode la plus rapide pour comparer des CSV
- Jeu de données d’exemple
- Étape 1 : importer les fichiers CSV d’origine et actualisé
- Étape 2 : choisir comment associer les lignes
- Étape 3 : mapper les colonnes dont les noms diffèrent
- Étape 4 : choisir le type de jointure et les options
- Étape 5 : examiner les différences
- Étape 6 : exporter le résultat du CSV Diff
- Exemple de résultat
La méthode la plus rapide pour comparer des CSV
Si vos deux fichiers sont déjà prêts, la procédure est courte :
- Ouvrez l’outil CSV Diff de Datablist.
- Importez l’ancien fichier comme Original CSV.
- Importez le fichier récent comme Updated CSV.
- Commencez par l’auto-détection, puis confirmez la colonne clé.
- Mappez les colonnes si les deux fichiers utilisent des noms différents.
- Conservez la jointure externe complète pour le premier audit.
- Examinez les lignes modifiées, ajoutées, supprimées et inchangées.
- Pour le premier contrôle, exportez le CSV complet des différences.
- Si vous avez besoin d’un fichier plus court à transmettre, passez à l’export des seules lignes modifiées.
Cette méthode est plus fiable qu’un diff textuel, car la comparaison suit les enregistrements et non les numéros de ligne. Si un export CRM réorganise les contacts ou qu’un fournisseur ajoute une colonne, un diff textuel peut donner l’impression que tout le fichier a changé. Une comparaison sous forme de tableau indique précisément quels enregistrements et quelles cellules ont été modifiés.
🔑 Choisissez la clé des lignes avant d’interpréter le résultat
Une bonne colonne clé transforme une comparaison confuse en résultat exploitable. Utilisez un ID, une adresse email, un SKU, un EAN ou un identifiant interne qui reste stable d’un export à l’autre.
Exemple : CSV Produits et CSV Offres
Pour ce tutoriel, j’utiliserai un jeu de données e-commerce fictif. Le premier fichier est un ancien export du catalogue produits. Le second est un flux plus récent d’offres provenant d’un fournisseur ou d’une marketplace.
Le CSV Produits d’origine ressemble à ceci :
| Index | EAN | Internal ID | Nom | Marque | Catégorie | Prix | Devise | Stock | Disponibilité |
|---|---|---|---|---|---|---|---|---|---|
| 1 | 5901234123457 | PRD-001 | Gourde hermétique | Acme Outdoor | Plein air | 24.90 | EUR | 42 | En stock |
| 2 | 5901234123464 | PRD-002 | Boîte bento | Northline | Cuisine | 18.50 | EUR | 120 | En stock |
| 3 | 5901234123471 | PRD-003 | Sac cabas en coton | Urban Goods | Accessoires | 9.90 | EUR | 0 | Rupture de stock |
| 4 | 5901234123488 | PRD-004 | Lampe de bureau LED | Luma | Bureau | 39.00 | EUR | 18 | En stock |
| 5 | 5901234123495 | PRD-005 | Tapis de yoga | BalanceFit | Sport | 29.00 | EUR | 65 | En stock |
| 10 | 5901234123549 | PRD-010 | Souris sans fil | ClickPro | Électronique | 34.00 | EUR | 55 | En stock |
Le CSV Offres actualisé contient moins de champs descriptifs, mais conserve les identifiants et les données commerciales qui m’intéressent :
| Offer ID | EAN | Internal ID | Supplier SKU | Stock | Price |
|---|---|---|---|---|---|
| OFF-001 | 5901234123457 | PRD-001 | ACM-BTL-01 | 38 | 23.90 |
| OFF-002 | 5901234123464 | PRD-002 | NTH-LBX-02 | 120 | 18.50 |
| OFF-003 | 5901234123471 | PRD-003 | UGD-TOTE-03 | 25 | 9.90 |
| OFF-004 | 5901234123488 | PRD-004 | LMA-LAMP-04 | 18 | 35.00 |
| OFF-005 | 5901234123495 | PRD-005 | BFT-MAT-05 | 65 | 29.00 |
| OFF-008 | 5901234123556 | PRD-011 | CLP-CAB-11 | 44 | 16.50 |
Cette paire réunit les cas que je recherche généralement dans un exemple de CSV Diff : des valeurs modifiées, de nouvelles lignes, des lignes supprimées, des lignes inchangées et des schémas différents. Avec l’échantillon complet, je m’attends à ce que PRD-001, PRD-003, PRD-004, PRD-006 et PRD-010 soient marqués comme modifiés. PRD-011 et PRD-012 devraient être ajoutés, tandis que PRD-008 et PRD-009 devraient être supprimés.
Étape 1 : importer les fichiers CSV
Ouvrez l’outil CSV Diff. Vous verrez deux zones d’import :
- Original CSV : l’ancien export, l’instantané précédent ou le fichier de référence.
- Updated CSV : l’export plus récent à comparer au fichier d’origine.
L’ordre est important. Si une ligne n’existe que dans le fichier actualisé, Datablist lui attribue le statut added. Si elle n’existe que dans le fichier d’origine, Datablist lui attribue le statut removed.
Dans notre exemple, j’importe le CSV Produits comme fichier d’origine, puisqu’il s’agit de l’ancien export du catalogue. J’importe le CSV Offres comme fichier actualisé, car il correspond au flux fournisseur le plus récent.
Une fois les deux fichiers sélectionnés, l’outil les analyse et prépare la première comparaison. Les fichiers CSV sont lus et comparés dans votre navigateur. Le parseur détecte les séparateurs courants — virgule, point-virgule, tabulation et barre verticale — et prend en charge les encodages habituels, notamment UTF-8 et les fichiers de type Windows-1252.
Je vérifie tout de même l’ordre des fichiers avant d’étudier le résultat. Beaucoup de comparaisons erronées viennent d’une inversion entre l’ancien et le nouveau fichier, qui conduit ensuite à interpréter les ajouts comme des suppressions, et inversement.
Étape 2 : choisir comment associer les lignes
L’association des lignes est le réglage le plus important de cette procédure.
Datablist peut commencer par une détection automatique. L’outil recherche les colonnes susceptibles de contenir un identifiant, comme id, email, sku, uuid, external_id, record_id, user_id, contact_id et company_id.
Pour des données produits, je privilégie généralement :
EANlorsqu’il est présent et unique.Internal IDlorsque les EAN sont absents, dupliqués ou propres à chaque fournisseur.SKUuniquement si le même SKU est utilisé dans les deux fichiers.
Pour des fichiers CRM ou des listes de leads, la clé équivalente peut être email, contact_id, company_id ou l’identifiant d’un enregistrement CRM.
Le mode d’association dépend de la structure de vos données :
- Utilisez une clé unique pour la plupart des exports. Une seule colonne stable est plus facile à contrôler.
- Utilisez une clé composite lorsqu’une seule colonne n’est pas suffisamment unique. Par exemple,
Company Domainassocié àEmail. - Comparez les lignes complètes uniquement si vous ne disposez d’aucun identifiant stable.
- Utilisez l’auto-détection pour le premier passage, puis confirmez la clé détectée avant de vous fier aux totaux.
⚠️ Une clé peu fiable multiplie les faux ajouts et suppressions
Si la clé est absente, dupliquée ou reformatée entre deux exports, un même enregistrement peut apparaître sous la forme d’une ligne supprimée et d’une ligne ajoutée. Vérifiez les alertes de clés dupliquées avant d’utiliser le résultat pour une mise à jour.
La présence de clés dupliquées ne rend pas la comparaison inutile, mais elle invite à la prudence. L’outil signale ces clés, et je vérifie toujours les lignes concernées avant de me fier aux totaux.
Étape 3 : mapper les colonnes dont les noms diffèrent
Le mapping des colonnes détermine les champs qui seront comparés.
Dans notre exemple, les deux fichiers possèdent les champs EAN, Internal ID, Stock et Price. Le fichier d’origine contient aussi Name, Brand, Category, Currency et Availability. Le fichier actualisé comprend quant à lui Offer ID et Supplier SKU.
Je ne souhaite pas que des métadonnées propres au fournisseur soient considérées comme des modifications. Je veux comparer uniquement les colonnes qui répondent à ma question métier :
- Associer les lignes grâce à
EAN. - Comparer
StockavecStock. - Comparer
PriceavecPrice. - Conserver les colonnes descriptives comme contexte lorsqu’elles facilitent la vérification.
- Ne pas mapper les champs sans rapport lorsqu’ils ne doivent pas influencer la comparaison.
Lorsque les noms de colonnes sont identiques, Datablist peut les aligner automatiquement. Leur ordre n’a pas besoin d’être le même. Un mapping manuel devient nécessaire lorsque les libellés ont changé. Par exemple, un export CRM peut utiliser customer_id dans un fichier et Customer ID dans l’autre. Ne les associez que s’ils représentent réellement la même donnée.
💡 Mappez uniquement les colonnes à comparer
De nouvelles colonnes de métadonnées apparaissent souvent dans les flux fournisseurs et les exports CRM. Si un champ ne doit pas être comptabilisé comme une modification, ne le mappez pas ou utilisez-le uniquement comme contexte pendant la vérification.
Cette étape peut sembler secondaire, mais c’est souvent celle qui fait gagner le plus de temps. Une mauvaise clé fausse l’association des lignes. Un mauvais mapping fausse le nombre de modifications.
Étape 4 : choisir la jointure et les options
Pour le premier passage, je recommande la configuration suivante :
- Jointure externe complète.
- Colonne clé stable.
- Ignorer les espaces en début et en fin de valeur.
- Normaliser les valeurs vides ou assimilées à
null. - Conserver une comparaison sensible à la casse, sauf si les majuscules ne sont pas significatives.
La jointure externe complète est le meilleur choix par défaut, car elle affiche tout : les lignes associées, ajoutées et supprimées. Vous obtenez ainsi une vue d’ensemble avant de limiter le résultat.
Le type de jointure détermine les éléments présents dans le résultat :
- La jointure externe complète affiche les lignes associées, celles qui figurent uniquement dans le fichier d’origine et celles qui figurent uniquement dans le fichier actualisé.
- La jointure interne affiche seulement les enregistrements présents dans les deux fichiers. Utilisez-la si seules les modifications des lignes communes vous intéressent.
- La jointure gauche conserve le fichier d’origine comme base et exclut les lignes présentes uniquement dans le fichier actualisé.
Les options de comparaison réduisent les différences purement liées au format :
- L’option d’ignorance des espaces supprime les espaces en début et en fin de cellule avant la comparaison.
- L’option d’ignorance de la casse considère
AcmeetACMEcomme identiques. - La normalisation des valeurs vides ou assimilées à
nullconsidère les cellules vides,null,undefined,nil,none,n/aetnacomme des valeurs équivalentes.
Désactivez la normalisation lorsqu’une valeur de remplacement constitue un code significatif dans vos données. Imaginons que l’enregistrement d’origine contienne id = 101 et Region = NA, où NA signifie Amérique du Nord, tandis que l’enregistrement actualisé possède le même ID, mais une région vide. Si Normalize empty and null-like values est activé, les deux régions seront considérées comme identiques et la ligne pourra apparaître comme unchanged si aucune autre valeur mappée ne diffère.
Pour repérer cette modification, désactivez l’option, conservez id comme clé et mappez Region, puis relancez la comparaison. La ligne devrait alors être marquée comme changed, avec NA affiché à côté de la valeur vide dans l’export complet. Vérifiez un enregistrement de ce type avant d’appliquer la normalisation à tout le fichier : cette option concerne l’ensemble des colonnes comparées.
📘 Utilisez une jointure externe complète pour le premier audit
Commencez par une vue d’ensemble, puis affinez. Une fois les nombres de lignes ajoutées, supprimées et modifiées validés, exportez un fichier plus court contenant uniquement les lignes modifiées.
Pour les fichiers volumineux, les performances dépendent du navigateur et de l’appareil. L’aperçu est limité afin de rester réactif, tandis que le CSV téléchargeable contient l’intégralité du résultat. Si un export est trop volumineux pour être vérifié confortablement, commencez par diviser le gros fichier CSV en plusieurs fichiers.
Étape 5 : examiner les lignes et leurs statuts
Une fois la comparaison terminée, commencez par les statuts des lignes :
added: la clé existe uniquement dans le CSV actualisé.removed: la clé existe uniquement dans le CSV d’origine.changed: la clé existe dans les deux fichiers et au moins une valeur mappée a changé.unchanged: la clé existe dans les deux fichiers et les valeurs mappées correspondent après normalisation.
L’exemple des produits fournit plusieurs cas faciles à interpréter :
PRD-001a changé, carPriceest passé de24.90à23.90etStockde42à38.PRD-003a changé, car son stock est passé de0à25.PRD-011a été ajouté, car son EAN figure uniquement dans le CSV Offres.PRD-008a été supprimé, car son EAN figure uniquement dans le CSV Produits.
Utilisez les filtres de statut pour cibler votre vérification. Je commence généralement par Changed, puis je contrôle Added et Removed. Je garde Unchanged pour la fin, sauf si j’ai besoin d’une piste d’audit complète.
La vue des lignes modifiées est pratique pour examiner les différences cellule par cellule. Pour chaque colonne modifiée, elle affiche côte à côte la valeur d’origine et la valeur actualisée.
Avant d’exporter, j’effectue quelques contrôles rapides :
- Le nombre d’ajouts et de suppressions semble-t-il plausible ?
- L’outil a-t-il associé les lignes avec la clé prévue ?
- Des clés dupliquées ont-elles été signalées ?
- Les colonnes sont-elles correctement mappées ?
- Les différences de format sans importance sont-elles bien ignorées ?
- Quelques lignes modifiées sont-elles cohérentes lorsque vous les développez ?
La section récapitulative offre un contrôle supplémentaire. Elle affiche les informations de traitement, les colonnes mappées, les alertes de clés dupliquées et le nombre de lignes pour chaque statut.
Si les chiffres vous semblent étranges, n’exportez pas encore le résultat. Vérifiez d’abord la clé et le mapping des colonnes : c’est de là que proviennent la plupart des problèmes.
Étape 6 : exporter le résultat du CSV Diff
Lorsque l’aperçu vous paraît correct, exportez le résultat. Datablist propose plusieurs formats de sortie selon vos besoins :
- Summary CSV : pour obtenir le statut des lignes, les clés, les totaux et une vue d’ensemble adaptée à un audit.
- Changed rows CSV : lorsque le destinataire doit uniquement vérifier les enregistrements présentant des différences.
- Full diff CSV : pour afficher côte à côte les valeurs d’origine et actualisées.
Pour une première comparaison, je préfère le Full diff CSV. Il conserve davantage de contexte, ce qui facilite l’explication ultérieure d’une modification. Une fois le processus validé, je passe au Changed rows CSV afin d’obtenir un fichier plus court.
Vous pouvez également choisir le séparateur :
- Virgule pour la plupart des workflows avec des tableurs.
- Point-virgule si vos paramètres régionaux ou votre système de destination l’exigent.
- Barre verticale ou tabulation pour les outils qui imposent ces formats.
L’outil permet de copier le CSV des différences ou de le télécharger. Les noms des fichiers téléchargés suivent ce modèle :
csv-diff-{originalBase}-vs-{updatedBase}.csvSi le résultat exporté est volumineux et que vous devez le filtrer ou le modifier avant de le partager, consultez le guide Datablist pour modifier de gros fichiers CSV en ligne.
Exemple de tableau de résultats
Voici un extrait du Full diff CSV obtenu avec notre exemple de produits.
| status | key | changed_columns | original:Price | updated:Price | original:Stock | updated:Stock |
|---|---|---|---|---|---|---|
| changed | 5901234123457 | Price|Stock | 24.90 | 23.90 | 42 | 38 |
| changed | 5901234123471 | Stock | 9.90 | 9.90 | 0 | 25 |
| added | 5901234123556 | 16.50 | 44 | |||
| removed | 5901234123525 | 7.50 | 88 |
Le CSV exporté peut contenir :
status: added, removed, changed ou unchanged.key: la valeur utilisée pour associer la ligne.__row_index_original: le numéro de la ligne dans le CSV d’origine, lorsqu’elle existe.__row_index_updated: le numéro de la ligne dans le CSV actualisé, lorsqu’elle existe.__duplicate_key: indique si la clé sélectionnée apparaît plusieurs fois.changed_columns: les champs modifiés.changed_columns_count: le nombre de champs modifiés.summary: un résumé lisible des modifications.- Les paires
original:{column}etupdated:{column}pour une vérification côte à côte.
J’apprécie ce format, car il est facile à transmettre. Le destinataire peut filtrer sur status = changed, trier selon changed_columns_count ou isoler les enregistrements ajoutés et supprimés sans relancer la comparaison.
Quand utiliser cette méthode de comparaison CSV
Ce workflow convient à toutes les situations où vous disposez de deux instantanés et souhaitez identifier les changements. Voici quelques exemples :
- Mise à jour des prix et des stocks d’un catalogue produits.
- Vérification d’un flux fournisseur avant l’import de nouvelles offres.
- Comparaison d’un export CRM avant et après un nettoyage.
- Actualisation d’une liste de leads.
- Comparaison d’instantanés de stock.
- Audit de fichiers transmis sous forme de feuilles de calcul.
- Comparaison d’exports CSV issus d’une conversion JSON.
Par exemple, après avoir converti un fichier JSON imbriqué en CSV, vous pouvez utiliser CSV Diff pour comparer deux exports générés. Si vous préparez des enregistrements pour un CRM, lancez la comparaison avant un nettoyage de données plus complet afin de savoir quelles lignes ont changé.
Comparer, joindre ou dédupliquer : le bon workflow
Comparer des CSV n’est pas la même chose que joindre ou dédupliquer des fichiers. Utilisez CSV Diff lorsque votre question est :
Qu’est-ce qui a changé entre ces deux instantanés ?
Utilisez une jointure lorsque votre question est :
Comment combiner les champs de deux fichiers ?
Pour cela, consultez le guide expliquant comment joindre des fichiers CSV grâce à un identifiant unique. Pour bien distinguer l’empilement de lignes de l’ajout de colonnes à partir d’une clé commune, consultez les exemples de merge et de join avant de choisir votre opération.
Utilisez la déduplication lorsque votre question est :
Quels enregistrements apparaissent plusieurs fois dans un ou plusieurs fichiers ?
Consultez alors le guide pour supprimer les doublons d’un fichier CSV.
Cette distinction est importante, car chaque workflow répond à un objectif différent. CSV Diff sert à comparer des instantanés et à exporter leurs différences. Ce n’est ni un outil de fuzzy matching ni un outil de fusion.
Résolution des problèmes et cas particuliers
Les lignes apparaissent comme ajoutées et supprimées
Commencez par vérifier la colonne clé. Si la clé a changé entre les fichiers, Datablist ne peut pas considérer les deux lignes comme un même enregistrement. Contrôlez également l’ordre des fichiers. Si les fichiers d’origine et actualisé ont été inversés, les ajouts et les suppressions le seront aussi.
Trop de cellules apparaissent comme modifiées
Vérifiez les options de comparaison. Activez la suppression des espaces superflus s’ils ne sont pas significatifs, ignorez la casse si les majuscules n’ont pas d’importance, normalisez les valeurs vides si les cellules vides et les valeurs de remplacement doivent être équivalentes, puis vérifiez le mapping des champs renommés.
Les noms des colonnes sont différents
Utilisez le mapping manuel. Associez uniquement les champs qui représentent la même donnée. Ne mappez pas les colonnes sans rapport si elles ne doivent pas influencer la comparaison.
Des clés dupliquées apparaissent
Considérez les clés dupliquées comme un signal à vérifier. Le résultat peut rester utile, mais ces doublons indiquent que l’identifiant choisi n’est pas suffisamment unique. Nettoyez les fichiers sources ou sélectionnez une clé plus robuste avant d’utiliser les totaux pour un import.
Le fichier est lent ou l’aperçu est limité
Les performances avec les fichiers volumineux dépendent de votre navigateur et de votre appareil. Utilisez l’aperçu pour vos contrôles, puis téléchargez le CSV Diff afin d’obtenir le résultat complet.
L’analyse du CSV échoue
Recherchez des champs entre guillemets non refermés, des délimiteurs inhabituels ou des problèmes d’encodage. Un seul champ mal fermé peut rendre le fichier CSV invalide.
Conclusion
La meilleure manière de comparer deux exports CSV consiste à les traiter comme des données, et non comme du texte. Importez l’ancien fichier comme Original CSV et le nouveau comme Updated CSV, choisissez une clé stable, mappez les colonnes, vérifiez le statut des lignes, puis exportez les différences.
Ma configuration par défaut reste simple : jointure externe complète, clé stable, suppression des espaces superflus, normalisation des valeurs assimilées à null et export complet des différences pour la première vérification.
Vous pouvez suivre cette procédure avec l’outil CSV Diff de Datablist.







