arthur.bebou

git clone git://bebou.netlib.re/arthur.bebou
Log | Files | Refs |

commit 900e782e2a84787afe8917f2f3e6a91634637ed3
parent 292f3737820262efb208ae999501ee80a53ec7cd
Auterice: Arthur Pons <arthur.pons@unistra.fr>
Date:   Wed, 24 Apr 2024 15:17:52 +0200

Début de l'article sur le TSV

Diffstat:
A
contents/amourtsv/index.sh
 | 
94
+++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++++

1 file changed, 94 insertions(+), 0 deletions(-)
diff --git a/contents/amourtsv/index.sh b/contents/amourtsv/index.sh
@@ -0,0 +1,94 @@
+#! page
+title: Une lettre d\'amour au format TSV
+author: Arthur Pons
+description: Pourquoi les gens qui prétendent que le format TSV est mort ont tort
+publication: 2024-04-25
+
+sectionmd: main
+
+[Guillaume Plique](https://medialab.sciencespo.fr/en/people/guillaume-plique)
+et [Robin de Mourat](https://medialab.sciencespo.fr/en/people/robin-de-mourat)
+ont récemment écrit un article en hommage au CSV (en anglais) disponible en
+[html](https://medialab.sciencespo.fr/en/news/a-love-letter-to-the-csv-format/)
+ou en
+[markdown](https://raw.githubusercontent.com/medialab/xan/prod/docs/LOVE_LETTER.md).
+Je les remercie d'avoir diversifié les formats. Un peu moins d'utiliser github.
+
+J'aime bien le CSV mais je lui préfère le format TSV[^1]. Afin d'expliquer pourquoi
+je vais reprendre leur article en le modifiant de façon à mettre en valeur les
+avantages du TSV. Une grosse partie des arguments sont tirés d'un [article
+comparant CSV et
+TSV](https://raw.githubusercontent.com/eBay/tsv-utils/master/docs/comparing-tsv-and-csv.md)
+à priori écrit par [Jon Degenhardt](https://github.com/jondegenhardt),
+ingénieur chez Ebay pour la doc des outils
+[tsv-utils](https://github.com/eBay/tsv-utils) que j'utilise dans l'article sur
+la [datascience en cli](/datascience-cli/index.html).
+
+# Une lettre d'amour au format TSV
+
+## Le format TSV est simple
+
+Le TSV est, dans l'idée, aussi simple que le CSV. Cependant pas besoin de
+"quote values containing commas" puisque le délimiteur est une tabulation et
+que les données contiennent très très rarement des tabulations. Si elles en
+contiennent il faudra également quoter les champs mais dans la pratique ça
+arrive suffisamment rarement pour ne pas être un souci. Au delà du fait que
+cela rend l'écriture et la génération de fichiers TSV bien plus facile, leurs
+parsage en est tellement facilité qu'il est possible d'utiliser les
+coreutils[^2] pour les traiter. Pas besoin de logiciels spécifiques. D'ailleurs
+l'article d'origine précise au sujet de la simplicité du format CSV "Cela ne
+veut pas dire qu'il ne faut pas utiliser de parser dédié, vous allez
+***nécessairement*** vous tromper."
+
+Le fait que le délimiteur soit une tabulation a un avantage supplémentaire aux
+virgules. La plupart des outils Unix délimitant des champs considérent par défaut
+les tabulations ou les blancs comme délimiteurs par défaut. Ainsi vous pourrez
+utiliser `< data.tsv cut -f2` sans avoir à spécifier le délimiteur ou, s'il n'y
+a pasd e blancs dans les données `< data.tsv awk '{blabla}'`. C'est un petit
+confort assez anecdotique au premier abord mais qui sur le long terme est
+agréable si vous traitez souvent des données.
+
+## Le TSV est une idée collective
+
+Tout pareil que le CSV.
+
+## TSV est du texte
+
+Tout pareil.
+
+Un souci que l'on m'a déjà fait remonter est la difficulté de
+lire du TSV par un.e humain.e puisque, par défaut, les tabulations s'affichent
+comme une suite d'espace dans la plupart des éditeurs de texte. Dans la plupart
+des bons éditeurs de texte il est possible de modifier l'apparence des caractères
+invisibles. Par exemple, pour vim, vous pouvez ajouter dans votre `.vimrc` :
+
+	set invlist
+	" tab = 3 espaces et un pipe, espace insécable = carré, espace fin de ligne = rond
+	set listchars=tab:\ \ \|,nbsp:▪,trail:○
+
+de façon à ce que
+
+	truc	machin	bidule
+	blabla	bonjour bip	coucou
+
+s'affiche comme
+
+	truc   |machin   |bidule
+	blabla   |bonjour bip   |coucou
+
+Il est aussi possible de jouer avec `vartabstop` pour aligner les champs, de
+manière à ce que nos données s'affichent comme ceci :
+
+	truc     |machin        |bidule
+	blabla   |bonjour bip   |coucou
+
+## TSV est streamable
+
+Tout pareil.
+
+Anecdote : 
+
+
+
+[^1]: Tab-Separated Values (TSV). Les champs sont séparés par des tabulations.
+[^2]: cat, ls, cp, sort, uniq, grep etc. https://fr.wikipedia.org/wiki/GNU_Core_Utilities (ou autre variantes non GNU)