CSV JSON 変換ガイド — ブラウザ完結 / Python / Node / Go / SJIS 対応

TL;DR — 用途別ベスト方法 10 秒早見表

• 今すぐ変換したい・インストール不要 → FormatArc CSV to JSON (ブラウザ完結、アップロード不要、UTF-8 / Shift-JIS / クォート / 埋め込み改行に対応)
• シェルスクリプト・ワンライナー → csvjson data.csv (csvkit) または mlr --icsv --ojson cat data.csv (Miller)
• Python アプリ内 → csv.DictReader (標準ライブラリ、依存ゼロ) または大規模ファイルは pandas.read_csv
• Node.js アプリ内 → PapaParse の { header: true, dynamicTyping: true }
• Go サービス内 → encoding/csv + headers → map のループ
• 大規模ファイル (100 万行以上) → csv.DictReader で行ごとに NDJSON 出力。json.dump でリスト一括出力は禁止

本記事では各方法をコード付きで紹介したあと、4 つのハマりどころ (出力形式・エンコーディング・型推論・大規模ファイル処理) を実例で解説します。

CSV 形式のおさらい (RFC 4180)

CSV (Comma-Separated Values) は RFC 4180別タブで開きます で非公式に規定されたテキスト形式ですが、実際の現場ではさまざまな方言が存在します。典型的な CSV:

name,email,department,start_date
Alice Johnson,alice@example.com,Engineering,2024-01-15
Bob Smith,bob@example.com,Marketing,2023-06-01
Carol Williams,carol@example.com,Engineering,2024-03-10

1 行目はヘッダー (列名)、2 行目以降がデータです。フィールドはカンマで区切られますが、シンプルな見た目に反していくつかの落とし穴があります。

• カンマを含むフィールドはダブルクォートで囲む: "Smith, John"
• ダブルクォートを含むフィールドは 2 重化でエスケープ: "She said ""hello"""
• クォート内の改行は有効 (素朴なパーサーでよく壊れる原因)
• エンコーディングに標準なし。UTF-8 / Latin-1 / Shift-JIS / BOM 付き UTF-8 など、出力元次第 (Windows の Excel はデフォルトで BOM 付き UTF-8)
• 区切り文字も標準化されていない。TSV はタブ、ヨーロッパの Excel は ;、科学データセットでは | が使われることもある

CSV の歴史や仕様の詳細は CSV とは を参照してください。

なぜ CSV を JSON に変換するのか

実務でよく出てくる理由をまとめます。

• REST API: API はリクエストボディに JSON を要求する。CSV で管理しているデータを API に POST するには変換が必要
• フロントエンド: React / Vue / Svelte は JSON 配列・オブジェクトを自然に扱える。ブラウザで CSV をパースするのは可能だが、依存が増える
• 型情報の保持: CSV は全て文字列。JSON は number / boolean / string / null を区別できる
• NoSQL データベース: MongoDB / CouchDB / DynamoDB のバルクローダーは JSON Lines (NDJSON) を直接読める
• データパイプライン: Apache Airflow / Prefect / Mage / dbt などのワークフローツールはステージ間の交換フォーマットとして JSON / NDJSON を要求する場面が増えている
• LLM コンテキスト: 表データを LLM に渡す際、CSV より JSON オブジェクトのほうがキー認識が安定する。詳しくは LLM に Markdown vs HTML を渡すなら を参照

両形式の違いについては JSON とは で詳しく解説しています。

5 種類の JSON 出力形式

CSV から JSON に変換するツールのほとんどは「ヘッダーをキーとするオブジェクトの配列」一択です。それで足りる用途が半分、足りない用途が半分というのが実情。同じ CSV を 5 種類すべての形式に変換した例を見てください。

入力 CSV:

id,name,score
1,Alice,95
2,Bob,87
3,Carol,92

形式 1: オブジェクトの配列 (大半のツールのデフォルト)

[
  { "id": 1, "name": "Alice", "score": 95 },
  { "id": 2, "name": "Bob", "score": 87 },
  { "id": 3, "name": "Carol", "score": 92 }
]

用途: REST API、フロントエンド描画、汎用的なデータ交換。

形式 2: Keyed オブジェクト (特定列を主キーに)

{
  "1": { "name": "Alice", "score": 95 },
  "2": { "name": "Bob", "score": 87 },
  "3": { "name": "Carol", "score": 92 }
}

用途: ルックアップテーブル、ID で辞書アクセスしたい場合。Python で生成:

import csv, json, sys
rows = list(csv.DictReader(sys.stdin))
result = {row["id"]: {k: v for k, v in row.items() if k != "id"} for row in rows}
json.dump(result, sys.stdout, indent=2)

形式 3: JSON Lines / NDJSON (改行区切り JSON)

{"id":1,"name":"Alice","score":95}
{"id":2,"name":"Bob","score":87}
{"id":3,"name":"Carol","score":92}

用途: ストリーミング取り込み (BigQuery / Snowflake COPY INTO / MongoDB mongoimport --type=json / ログパイプライン / Kafka producer)。1 行 1 レコードで独立してパース可能なので、10 GB のファイルでもメモリに乗せずに処理できます。

生成: mlr --icsv --ojsonl cat data.csv (Miller) または jq -c '.[]' array.json > lines.ndjson。

形式 4: 列指向 (並列配列)

{
  "id": [1, 2, 3],
  "name": ["Alice", "Bob", "Carol"],
  "score": [95, 87, 92]
}

用途: データサイエンス (Apache Arrow / pandas 内部レイアウトと一致)、GPU パイプライン、列指向データベース。pandas で生成: df.to_dict(orient="list")。

形式 5: スラッシュ区切りヘッダーでネスト化

入力 CSV (ヘッダーをスラッシュ区切りにする):

id,name,address/city,address/zip
1,Alice,Tokyo,150-0001
2,Bob,Osaka,530-0001

出力 (ネスト):

[
  { "id": 1, "name": "Alice", "address": { "city": "Tokyo", "zip": "150-0001" } },
  { "id": 2, "name": "Bob",   "address": { "city": "Osaka", "zip": "530-0001" } }
]

用途: ネスト構造を要求する API リクエストボディの生成。大半のツールは後処理が必要 (後述の ネスト JSON の生成 を参照)。

方法 1: FormatArc ブラウザツール (アップロード不要)

今すぐ変換したい、インストールなしで済ませたい場合は CSV to JSON が最速です。すべてブラウザ内で処理されるので、データは一切外部に送信されません。

1. CSV to JSON を開く
2. 左側のエディタに CSV を貼り付ける
3. 「変換」ボタンを押すと、右側に JSON が表示される

素朴なパーサーでハマりがちな箇所もきちんと処理します。クォート付きフィールドのカンマ、改行を含むフィールド、空のフィールド (空文字列に変換)、大規模データセット (ブラウザメモリ次第ですが概ね 50 MB / 50 万行までは安定)。

ブラウザ内処理は機密データを扱うときに効きます。顧客情報、給与テーブル、vault からエクスポートした API キー、社内の財務データなど、貼り付けたデータはタブの中だけで完結します。アップロード処理もサーバー側処理もありません。

方法 2: Python — csv.DictReader と pandas

Python は csv と json を標準ライブラリに含むので、基本的な変換だけならサードパーティ不要です:

import csv
import json
import sys

reader = csv.DictReader(sys.stdin)
rows = list(reader)
json.dump(rows, sys.stdout, indent=2, ensure_ascii=False)

csv2json.py として保存して実行:

python3 csv2json.py < data.csv > data.json

csv.DictReader は 1 行目をヘッダーとして自動認識します。各行が dict になり、dict のリストがそのまま JSON のオブジェクト配列に対応します。ensure_ascii=False は CSV に日本語やアクセント付き文字、絵文字が含まれる場合に重要。これを忘れると あ のような Unicode エスケープシーケンスになります。

pandas を使う (大規模ファイル + 型推論)

import pandas as pd

df = pd.read_csv("data.csv", encoding="utf-8")
df.to_json("data.json", orient="records", indent=2, force_ascii=False)

orient="records" でオブジェクト配列出力。他に "index" (Keyed オブジェクト)、"columns" (列指向)、"values" (配列の配列) があります。

メモリに乗らないファイルは chunksize でストリーミング:

import pandas as pd

with open("output.ndjson", "w") as out:
    for chunk in pd.read_csv("huge.csv", chunksize=10000):
        chunk.to_json(out, orient="records", lines=True, force_ascii=False)
        out.write("\n")

NDJSON 形式で出力され、メモリに乗るのは常に 10000 行だけです。

方法 3: Node.js — PapaParse

JavaScript で CSV パースといえば papaparse が定番。FormatArc のブラウザツールも内部で PapaParse を使っています。

const Papa = require("papaparse");
const fs = require("fs");

const csv = fs.readFileSync("data.csv", "utf8");
const result = Papa.parse(csv, {
  header: true,
  dynamicTyping: true,   // "42" → 42、"true" → true
  skipEmptyLines: true,
});

fs.writeFileSync("data.json", JSON.stringify(result.data, null, 2));

大規模ファイルは step コールバックでストリーミング:

const fs = require("fs");
const Papa = require("papaparse");

const stream = fs.createReadStream("huge.csv");
const out = fs.createWriteStream("huge.ndjson");

Papa.parse(stream, {
  header: true,
  dynamicTyping: true,
  step: (row) => out.write(JSON.stringify(row.data) + "\n"),
  complete: () => out.end(),
});

各行を即ディスクに書き出すので、ギガバイト級のファイルでもメモリ消費は一定。

方法 4: Go — encoding/csv

package main

import (
    "encoding/csv"
    "encoding/json"
    "fmt"
    "os"
)

func main() {
    f, _ := os.Open("data.csv")
    defer f.Close()
    reader := csv.NewReader(f)
    records, _ := reader.ReadAll()

    headers := records[0]
    result := make([]map[string]string, 0, len(records)-1)
    for _, row := range records[1:] {
        obj := make(map[string]string, len(headers))
        for i, val := range row {
            obj[headers[i]] = val
        }
        result = append(result, obj)
    }

    out, _ := json.MarshalIndent(result, "", "  ")
    fmt.Println(string(out))
}

Go の encoding/csv は全フィールドを文字列として扱います。型付きで出力したい場合は手動で strconv.Atoi / strconv.ParseFloat / strconv.ParseBool を呼びます。

大規模ファイルを扱う場合は ReadAll() を Read() ループに置き換え、1 行ずつ json.Marshal して NDJSON で書き出します。

方法 5: Miller と csvkit (ワンライナー)

シェルスクリプトでサッと変換したいときは、ワンコマンドで完結する 2 つのツールが便利です。

Miller (mlr)

Miller はストリーミング型のデータプロセッサ。構造化データ向けの awk のような位置付け:

# オブジェクト配列
mlr --icsv --ojson cat data.csv > data.json

# NDJSON (ストリーミング向き)
mlr --icsv --ojsonl cat data.csv > data.ndjson

# フィルタしながら変換
mlr --icsv --ojson filter '$score > 90' data.csv

# 変換中に列を追加
mlr --icsv --ojson put '$grade = $score >= 90 ? "A" : "B"' data.csv

インストール: brew install miller (macOS) または apt install miller (Debian / Ubuntu)。

csvkit (csvjson)

csvkit は Python 製の CSV ツールスイート:

pip install csvkit
csvjson data.csv > data.json

便利なオプション:

• --indent 2 — 整形出力
• --no-inference — 全てを文字列のまま出力 (数値の自動変換を無効化)
• --stream — 配列でなく NDJSON で出力
• --locale ja_JP.UTF-8 — ロケール依存の数値パース

NDJSON でサクッと出したいだけなら csvjson --stream が最短ルート。

ネスト JSON の生成 (スラッシュ区切りヘッダー)

ほとんどのコンバータはフラットなオブジェクトを返します。下流の API / Mongo スキーマ / GraphQL リゾルバがネスト構造を要求する場合は、後処理が必要です。

ヘッダーに / や . で区切り文字を入れる慣習があります:

id,name,address/city,address/zip,address/country
1,Alice,Tokyo,150-0001,JP
2,Bob,Osaka,530-0001,JP

Python で変換 + ネスト化:

import csv, json, sys

def nest(row, sep="/"):
    result = {}
    for key, val in row.items():
        parts = key.split(sep)
        cursor = result
        for part in parts[:-1]:
            cursor = cursor.setdefault(part, {})
        cursor[parts[-1]] = val
    return result

reader = csv.DictReader(sys.stdin)
rows = [nest(r) for r in reader]
json.dump(rows, sys.stdout, indent=2, ensure_ascii=False)

出力:

[
  { "id": "1", "name": "Alice", "address": { "city": "Tokyo", "zip": "150-0001", "country": "JP" } },
  { "id": "2", "name": "Bob",   "address": { "city": "Osaka", "zip": "530-0001", "country": "JP" } }
]

ドット記法 (address.city) でやりたい場合は sep="." に変えるだけ。convertcsv.com というサイトがこの / 区切りを広めた経緯があり、最大 10 階層までのネストに対応しています。

エンコーディング対応 (Shift-JIS / BOM / クォートカンマ / 埋め込み改行)

エンコーディングのズレは CSV → JSON で文字化けする原因のトップ。

UTF-8 BOM

Windows の Excel で「CSV UTF-8」を選択すると、ファイル先頭に Byte Order Mark (BOM) という 3 バイト (EF BB BF) が付きます。多くの JSON パーサーは BOM を除去しないので、最初のキーが name でなく name (見えない BOM 付き) になります。

Python で除去:

with open("data.csv", encoding="utf-8-sig") as f:  # -sig が BOM を除去
    reader = csv.DictReader(f)

Miller で除去: mlr --icsv --ojson cat <(sed '1s/^\xEF\xBB\xBF//' data.csv)。

Shift-JIS (日本語版 Excel デフォルト)

日本語版 Excel は「CSV UTF-8」を明示的に選ばないと Shift-JIS で出力します。出力に �� のような文字化けが出たらエンコーディングが間違っています:

with open("data.csv", encoding="shift-jis") as f:
    reader = csv.DictReader(f)

シェルで一括変換: iconv -f SHIFT-JIS -t UTF-8 data.csv > data.utf8.csv。

FormatArc ブラウザツール は UTF-8 を期待しているので、Shift-JIS ファイルは事前に iconv またはテキストエディタの「別名で保存」で UTF-8 化してから貼り付けます。

Latin-1 (ヨーロッパ版 Excel デフォルト)

ヨーロッパロケールの Excel は Latin-1 (Windows-1252) で保存することがあります。Shift-JIS と同様に iconv -f LATIN1 -t UTF-8 または Python で encoding="latin-1" を指定。

クォートカンマと埋め込み改行

区切り文字を含むフィールドはクォートで囲む必要があります:

id,description
1,"Hello, world"
2,"Multi-line
description here"

素朴なパーサーは 2 行目のカンマで分割してしまい、3 行目の改行で行が切れたと誤認識します。きちんとした CSV パーサー (DictReader / PapaParse / Miller / csvkit) を使いましょう。string.split(",") を自力で書くのは禁物です。

カンマ以外の区切り文字 (; / タブ / パイプ)

ヨーロッパ Excel は ; を使うことが多い。区切り文字を明示します:

reader = csv.DictReader(f, delimiter=";")

mlr --csv --ifs ";" --ojson cat data.csv

Papa.parse(csv, { header: true, delimiter: ";" });

TSV (タブ区切り) は delimiter="\t" または Miller の --itsv。

型推論 (数値 / 真偽値 / null の解釈)

CSV は全てテキストです。JSON 出力に型を保持するかはツール次第です。

推論を有効にした場合の落とし穴:

• "007" が 7 になる (先頭ゼロが消える。電話番号・郵便番号・ISBN で致命的)
• "NaN" や "Infinity" が浮動小数点になる
• "true" / "false" / "yes" / "no" が真偽値になる (PapaParse は true/false のみ、Miller はもっと厳しい)
• 空文字列 "" が null / "" / 省略 のいずれかに化ける (ツールによって挙動異なる)
• 数値に見える ID 列が number に強制変換され、15 桁を超える ID で精度落ち (JavaScript の Number.MAX_SAFE_INTEGER は 2^53 - 1)

安全なデフォルト: すべて文字列のまま出力し、スキーマがわかっているアプリケーション層でキャストする。自動推論は分析用途には便利ですが、本番データパイプラインでは不安定です。

パフォーマンスと大規模ファイル

1 万行未満ならどの方法でも実用速度です。差が出てくるのは大規模ファイル。

スループット実測 (Apple M5 Pro / 64GB RAM / macOS 26.5、5 列 100 万行 CSV、シングルスレッド、再現スクリプトは scripts/benchmarks/csv-to-json-throughput/):

• Python csv.DictReader + json.dump (Python 3.14.6): 約 232,000 行/秒
• pandas read_csv + to_json (pandas 3.0.3): 約 1,113,000 行/秒
• Miller mlr --c2j (Miller 6.19.0): 約 1,960,000 行/秒 (5 回計測のウォーム中央値。コールド初回は FS キャッシュミスで約 990,000 行/秒)
• Go encoding/csv + encoding/json (Go 1.26.4): 約 2,058,000 行/秒
• PapaParse streaming (papaparse 5.5.2 / Node 26.3.1): 約 1,626,000 行/秒
• ブラウザ FormatArc: 内部は PapaParse 5.5 ですが、ブラウザはメインスレッドの応答性とページのメモリで律速されるため CLI ほど行/秒は出ません。実用上は数十 MB / 数十万行が快適に動くライン

数値はマシン構成・OS・ツールのバージョンに大きく依存します。古いマシンや pandas 2.x / Miller 5.x では半分以下になることもあるため、判断するときは自分の環境で再実測するのが安全です。

テラバイト級になるとこれらは適材適所ではありません。Apache Spark、DuckDB (COPY data FROM 'data.csv' (FORMAT CSV) → COPY (SELECT * FROM data) TO 'out.ndjson' (FORMAT JSON, ARRAY false))、Apache Arrow を直接使うのが妥当。

任意サイズのファイル用ストリーミングパターン (Python)

import csv
import json
import sys

writer = sys.stdout
reader = csv.DictReader(open("huge.csv", encoding="utf-8"))
for row in reader:
    writer.write(json.dumps(row, ensure_ascii=False) + "\n")

NDJSON で出力。1 行ごとのメモリ消費だけなので入力サイズによらずフラット。gzip -c > out.ndjson.gz で圧縮しながら BigQuery / S3 に流せます。

CI/CD ワークフロー (curl POST と GitHub Actions)

実務でよくある用途。Git で管理している CSV を JSON に変換し、push のたびに API に POST する。

# 変換
python3 csv2json.py < users.csv > users.json

# API に POST
curl -X POST https://api.example.com/users/bulk \
  -H "Content-Type: application/json" \
  -H "Authorization: Bearer $API_TOKEN" \
  -d @users.json

GitHub Actions:

name: Sync user CSV to API
on:
  push:
    paths: ["data/users.csv"]

jobs:
  sync:
    runs-on: ubuntu-latest
    steps:
      - uses: actions/checkout@v4
      - name: Install Miller
        run: sudo apt-get install -y miller
      - name: Convert and upload
        env:
          API_TOKEN: ${{ secrets.API_TOKEN }}
        run: |
          mlr --icsv --ojson cat data/users.csv > users.json
          curl -fsS -X POST https://api.example.com/users/bulk \
            -H "Content-Type: application/json" \
            -H "Authorization: Bearer $API_TOKEN" \
            -d @users.json

API のアドホックなテストなら、CSV を CSV to JSON ツール に貼り付けて変換結果をコピーし、Postman / Insomnia / curl --data に貼り付ければ十分。

変換後の JSON をきれいに整形してから送りたい場合は JSON 整形のコツ を参照してください。インデント、キー順序、minify の選択について解説しています。

よくある質問

Excel から出力した CSV の BOM は FormatArc で扱える？

はい。ブラウザツール は UTF-8 BOM を自動検出して除去します。Python の場合は encoding="utf-8-sig"、Node.js の場合は papaparse が透過的に処理します。

NDJSON (JSON Lines) で出力できる？

FormatArc ブラウザツールは現在 JSON 配列を出力します。NDJSON が欲しい場合は Miller (mlr --icsv --ojsonl) または csvkit (csvjson --stream) を使ってください。ログパイプラインや DB バルクインポートはこれが標準です。

ヘッダーなしの CSV を変換するには？

csv.DictReader には fieldnames を明示的に渡します:

reader = csv.DictReader(f, fieldnames=["id", "name", "score"])

PapaParse なら Papa.parse(csv, { header: false }) で配列の配列を取得し、行ごとにオブジェクトに変換します。

数値 ID 列が文字列で出力されてしまう

ほとんどのツールは安全側でデフォルト文字列出力にしています。数値で欲しい場合は型推論を有効化: PapaParse の dynamicTyping: true、Miller の --inumeric、pandas の dtype。ただし 15 桁を超える ID は JavaScript / JSON の倍精度浮動小数点制約で精度落ちすることに注意。

JSON のキーの先頭に  が見える

それは UTF-8 BOM を Latin-1 で表示した状態。Python で encoding="utf-8-sig"、あるいは sed '1s/^\xEF\xBB\xBF//' data.csv で前処理してください。

ブラウザで変換できる最大 CSV サイズは？

実用範囲で 50 MB 程度 (ノート PC のメモリ次第)。ブラウザは元テキストとパース結果の両方をメモリに保持するので、入力サイズの 3〜5 倍のメモリを使います。大規模ファイルは Miller / pandas chunksize / Go プログラムでストリーミング処理してください。

セル内に JSON 値が入っている CSV を変換するには？

セル内に "{""key"":""value""}" のような JSON が入っている場合、文字列としてパースしてから json.loads() で読み直します:

import pandas as pd, json
df = pd.read_csv("data.csv")
df["metadata"] = df["metadata"].apply(json.loads)
df.to_json("data.json", orient="records", force_ascii=False)

列順を JSON 出力でも保持したい

主要ツールはすべて列順を保持します。Python の dict は 3.7 以降挿入順を保持、csv.DictReader はヘッダー順を使用、pandas の to_json(orient="records") は列順を維持。json.dump は sort_keys=True を渡さない限り並べ替えません。

関連ガイド

• CSV とは — 形式の歴史、RFC 4180、よくある方言
• JSON とは — JSON のデータモデルと型
• CSV → Markdown テーブル変換 — 表として読ませたい場合
• JSON → YAML 変換 — 下流が Kubernetes / Docker Compose の場合の次工程
• JSON YAML 変換ツール — 生成した JSON をそのまま貼り付けて、Kubernetes / Docker Compose / OpenAPI 用の YAML をブラウザ内で作成
• JSON 整形のコツ — 変換後の JSON を読みやすく整える
• curl で JSON を整形する — 変換結果を API でテストする際の整形術

まとめ

CSV → JSON 変換は用途別に方法を使い分けるのが現実的です。

• インストール不要・機密データ: FormatArc CSV to JSON — ブラウザ完結、アップロード不要、エンコーディング問題対応
• シェルパイプライン: Miller (mlr --icsv --ojson) または csvkit (csvjson)
• Python アプリ: 標準ライブラリの csv.DictReader、大規模ファイルや型推論には pandas
• Node.js アプリ: PapaParse の dynamicTyping + 大規模ファイルは step コールバック
• Go サービス: encoding/csv + headers → map ループ

押さえるべき 4 つのポイント: 適切な出力形式 (配列 / NDJSON / Keyed / 列指向 / ネスト) を選ぶ、入力エンコーディング (UTF-8 BOM / Shift-JIS / Latin-1) を合わせる、型推論を有効にするかを判断、100 MB を超えるファイルはストリーミングを使う。