cat customers.csv で開くと列が崩れて読めない、表計算アプリを開くまでもないけど中身を 8 行だけ確認したい、という日に毎週 1 回くらい遭遇する。csv-peek customers.csv で 1 秒で揃った表になり、数字は右揃えで色付き、日付は黄色、bool はマゼンタ で出る。Rust CLI、依存は clap だけ、stripped で約 600 KB、合計 51 テスト。

📦 GitHub: https://github.com/sen-ltd/csv-peek

$ cat customers.csv
id,name,email,signup_date,active,balance,note
1,Alice Suzuki,alice@example.com,2024-01-15,true,1280.50,"first 10 customers"
2,Bob Tanaka,bob@example.com,2024-02-03,true,42.00,
3,Carol Yamada,carol@example.com,2024-02-20,false,0.00,"churned, refunded"
…

$ csv-peek customers.csv
┌────┬─────────────────┬────────────────────┬─────────────┬────────┬─────────┬────────────────────┐
│ id │ name            │ email              │ signup_date │ active │ balance │ note               │
├────┼─────────────────┼────────────────────┼─────────────┼────────┼─────────┼────────────────────┤
│  1 │ Alice Suzuki    │ alice@example.com  │ 2024-01-15  │ true   │ 1280.50 │ first 10 customers │
│  2 │ Bob Tanaka      │ bob@example.com    │ 2024-02-03  │ true   │   42.00 │                    │
│  3 │ Carol Yamada    │ carol@example.com  │ 2024-02-20  │ false  │    0.00 │ churned, refunded  │
…

既存ツールとの位置取り

csv crate の csv::Reader::from_path で書けば 30 行で済むのは事実。にもかかわらず手書きする理由は 2 つだけ:

依存が clap 1 個だけ で済むので、cargo build --release が 9 秒、stripped で約 600 KB の Alpine バイナリになる
RFC 4180 を自前で書くのが記事になる — ルールは 4 つだけだが、""、\r\n、"foo\nbar" を全部ちゃんと処理するステートマシンは見ておく価値がある

実プロダクションでは csv crate 一択。これは「実装してみたデモ」枠。

RFC 4180 のステートマシン

実装は 4 状態で書ける:

enum State {
    Start,        // フィールド境界
    Unquoted,     // 引用符なしフィールドの中
    Quoted,       // "..." の中
    QuotedQuote,  // 引用符内で `"` を見たところ
}

QuotedQuote がトリッキー。引用符内で " を見ても、それが エスケープ ("") の前半なのか、フィールドの終わりなのかは次の 1 byte を見ないと決まらない。

State::QuotedQuote => match b {
    b'"' => {
        // `""` だった → リテラル `"` を 1 個 emit して Quoted に戻る
        field.push(b'"');
        state = State::Quoted;
    }
    c if c == self.delim => {
        // フィールド終了
        fields.push(...);
        state = State::Start;
    }
    b'\r' | b'\n' => {
        // レコード終了
        return Ok(Some(...));
    }
    other => {
        // `"foo"bar` のような不正入力。strict なら Err、本実装は recover
        field.push(other);
        state = State::Unquoted;
    }
}

最後の other 分岐は厳格なパーサなら reject するが、目で見るための CLI なので、壊れたファイルでも何かは表示したい。"foo"bar\n は foobar として読み飛ばす。

CRLF / LF / CR の混在

CSV は Mac (\r) / Unix (\n) / Windows (\r\n) のどれもがレコード区切りに登場し、しかも 同じファイル内に混ざる ことがある (Excel が出すファイルでよく見る)。

\r を見たら、次の 1 byte が \n なら CRLF として消費、そうでなければ CR 単体として消費して残りはバッファに戻す。peek が必要 → 自前バッファ管理:

b'\r' => {
    fields.push(...);
    if let Some(nb) = self.next_byte()? {
        if nb != b'\n' {
            self.pos -= 1;  // peek 失敗、戻す
        }
    }
    return Ok(Some(...));
}

列型推論

各列が Empty / Bool / Int / Float / Date / Text のどれかに分類される。最も広い型が勝つ 単純な widening:

fn widen(a: ColType, b: ColType) -> ColType {
    if matches!(a, Empty) { return b; }
    if matches!(b, Empty) { return a; }
    if (a == Int && b == Float) || (a == Float && b == Int) {
        return Float;
    }
    if a == b { a } else { Text }
}

つまり:

[1, 2, 3] → Int
[1, 2.5, 3] → Float (Int → Float に格上げ)
["", 1, "", 2] → Int (Empty は吸収)
[1, "alice", 3] → Text (混合)

それぞれの値を classify で見て:

fn classify(v: &str) -> ColType {
    let s = v.trim();
    if s.is_empty()        { return Empty; }
    if matches_bool(s)     { return Bool; }
    if s.parse::<i64>().is_ok() { return Int; }
    if s.parse::<f64>().is_ok() && !s.eq_ignore_ascii_case("nan") { return Float; }
    if matches_date(s)     { return Date; }
    Text
}

f64::parse は "NaN" を受け取るので、明示的に除外している (NaN を含む列が numeric 扱いされると右揃えされて見栄えが崩れる)。

日付検出は range 検証なし の安いマッチで、YYYY-MM-DD または YYYY/MM/DD + 任意のタイムゾーン部だけ:

fn matches_date(s: &str) -> bool {
    let bytes = s.as_bytes();
    if bytes.len() < 10 { return false; }
    let dash_or_slash = |b| b == b'-' || b == b'/';
    bytes[0..4].iter().all(|b| b.is_ascii_digit())
        && dash_or_slash(bytes[4])
        && bytes[5..7].iter().all(|b| b.is_ascii_digit())
        && dash_or_slash(bytes[7])
        && bytes[8..10].iter().all(|b| b.is_ascii_digit())
        && (bytes.len() == 10 || matches!(bytes[10], b' ' | b'T'))
}

2024-13-99 も通る、それで構わない。型推論はカレンダーではない。

ANSI palette: 分岐ゼロのホットループ

Palette::cyan() のような accessor が &'static str を返す。color が無効なら 空文字列 を返すので、hot loop で if palette.enabled { ... } の分岐が出ない:

pub struct Palette { enabled: bool }

impl Palette {
    pub fn cyan(&self) -> &'static str {
        if self.enabled { "\x1b[36m" } else { "" }
    }
    pub fn reset(&self) -> &'static str {
        if self.enabled { "\x1b[0m" } else { "" }
    }
}

// レンダリング側
write!(w, " {}{}{} {}", palette.cyan(), value, palette.reset(), border)?;

color disabled だと write! に空文字列が混じるだけで、コードパス自体はまったく同じ。Rust の最適化は空 &str の write を fold して消すので、最終的にバイナリが分岐ゼロでフォーマット。

このパターンは hexview (#137) が確立した house style で、同じ書き方を全 Rust エントリで使い回している。

TTY 検出 — `atty` crate を使わない

atty は deprecated で std に取り込まれた:

use std::io::IsTerminal;

let stdout = io::stdout();
let stdout_is_tty = stdout.is_terminal();
let no_color = args.no_color
    || std::env::var_os("NO_COLOR").is_some()
    || !stdout_is_tty;

これで csv-peek file.csv | less -R のようにパイプされたら自動で color off になる。NO_COLOR 環境変数も尊重 (https://no-color.org の仕様)。

delimiter 自動検出

引数で --delim , を指定しなければ、最初の行の中で , \t ; | の数を数えて最も多いやつを使う:

pub fn guess_delimiter(sample: &str) -> u8 {
    let candidates = [b',', b'\t', b';', b'|'];
    let line = sample.lines().next().unwrap_or("");
    let mut best = (b',', 0usize);
    for &c in &candidates {
        let count = line.bytes().filter(|&b| b == c).count();
        if count > best.1 {
            best = (c, count);
        }
    }
    best.0
}

ヒット 0 の場合 (1 列の CSV) は , を返してフォールバック。tab-separated や semicolon-separated でも何もせずにそのまま動く。

テスト 51 件

CLI で動かす integration テストは assert_cmd + predicates:

#[test]
fn handles_quoted_fields_with_commas() {
    let f = fixture("name,bio\nAlice,\"hello, world\"\n");
    cli().arg(f.path()).arg("--ascii").assert()
        .success()
        .stdout(predicate::str::contains("hello, world"));
}

#[test]
fn no_color_env_disables_escape_sequences() {
    let f = fixture("a,b\n1,2\n");
    let assert = Command::cargo_bin("csv-peek").unwrap()
        .arg(f.path()).arg("--ascii")
        .env("NO_COLOR", "1")
        .assert().success();
    let out = String::from_utf8(assert.get_output().stdout.clone()).unwrap();
    assert!(!out.contains("\x1b["));
}

unit テストは csv パーサのエッジケース (引用符内のカンマ、引用符内の改行、"" エスケープ、recovery)、型推論の境界 (Empty 吸収、Int → Float promote)、palette の有効/無効状態、padding と truncate の Unicode 対応。

cargo test 一発で 34 unit + 17 integration = 51 件 通過。

触る

git clone https://github.com/sen-ltd/csv-peek
cd csv-peek
cargo build --release
./target/release/csv-peek sample.csv

または:

docker build -t csv-peek .
docker run --rm -v "$(pwd)":/data -t csv-peek customers.csv

-t フラグでコンテナに TTY を認識させると ANSI color が出る。なしだと自動で --no-color 相当に落ちる (パイプ時と同じ挙動)。

ソース: https://github.com/sen-ltd/csv-peek — MIT、合計 ~700 行 (Rust)、依存 1 個 (clap)、stripped 約 600 KB、51 テスト。

🛠 本記事は SEN 合同会社が公開している小さな開発者ツール群の 1 つ。他は portfolio 一覧から。