FormatArc CSV 轉 JSON 工具中將 CSV 資料轉換為 JSON 的結果畫面FormatArc CSV 轉 JSON 工具中將 CSV 資料轉換為 JSON 的結果畫面
作者: FormatArc 編輯部發布日期: 2026-09-02更新日期: 2026-09-02

CSV 轉 JSON 比較指南 — Python / Node / Go / Big5 編碼全解

TL;DR — 依用途選方法的快速對照

  • 立刻要轉、不想安裝任何東西 → FormatArc CSV 轉 JSON（瀏覽器內完成、不需上傳、支援 UTF-8 / 引號 / 欄位內換行）
  • shell 腳本或單行指令 → csvjson data.csv（csvkit）或 mlr --icsv --ojson cat data.csv（Miller）
  • Python 專案內使用 → csv.DictReader（標準函式庫、零外部依賴）或大型檔案用 pandas.read_csv
  • Node.js 專案內使用 → PapaParse 的 { header: true, dynamicTyping: true }
  • Go 微服務內使用 → encoding/csv + 表頭轉 map 的迴圈
  • 記憶體放不下的大型檔案 → csv.DictReader 逐行輸出 NDJSON。禁止用 json.dump 一次輸出整個陣列
方法安裝設定大型檔案處理型別推論NDJSON 輸出
FormatArc 瀏覽器無有限制（整件讀入、受瀏覽器可用記憶體限制）無（全部保留為字串）無（建議用 CLI）
Python csv.DictReader標準函式庫可以（手寫迴圈）無（全部字串）可以
pandas read_csvpip install pandas用 chunksize= 分塊串流有（dtype 自動推論）可以（lines=True）
Miller（mlr）brew install miller可以（完整串流）有（--inumeric）可以（--ojsonl）
csvkit（csvjson）pip install csvkit有限制（整件讀入）有（--no-inference 可關閉）可以（--stream）
PapaParse（Node.js）npm install papaparse可以（step 回呼串流）有（dynamicTyping）可以（手動串流）
Go encoding/csv標準函式庫可以（Read() 迴圈串流）無（手動轉換）可以（手動撰寫）

本文逐一展示各方法的實際可執行程式碼，並針對實務中最常遇到的 4 個難點（輸出格式、編碼不一致、型別推論的陷阱、大型檔案效能最佳化）搭配具體案例說明。

CSV 格式基礎（RFC 4180）

CSV（Comma-Separated Values）是 RFC 4180 中非正式規定的文字表格格式，但實務上存在各種方言。典型的 CSV 長這樣：

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

第 1 行是表頭（欄位名稱），第 2 行起是資料記錄。欄位以逗號分隔，但外觀簡單不代表沒有坑：

  • 含逗號的欄位必須用雙引號包起來："Smith, John"
  • 含雙引號的欄位用兩個連續雙引號轉義："She said ""hello"""
  • 引號內的換行是合法的（最常被簡易解析器搞壞的地方）
  • 編碼沒有統一標準。UTF-8、UTF-8 BOM、Big5、Shift-JIS、Latin-1 等，視產出環境而定（Windows 版 Excel 預設輸出 UTF-8 帶 BOM 或 Big5）
  • 分隔符號也未統一。TSV 用 Tab，歐洲地區 Excel 用分號（;），部分資料集用直線（|）

CSV 的歷史與規範細節可參閱 RFC 4180 原文。

為什麼要把 CSV 轉成 JSON

實務上常遇到的需求：

  • REST API 通訊：大多數現代的 Web API 要求 request body 是 JSON。用試算表管理的資料要 POST 到 API，就得先轉成 JSON 結構。
  • 前端框架整合：React、Vue、Svelte、Next.js 等框架原生處理 JSON 物件與陣列。在瀏覽器端直接解析 CSV 也可以，但會增加不必要的 bundle 大小與解析開銷。
  • 型別資訊保留：CSV 所有欄位都是文字（string）。JSON 可以明確區分 number、boolean、string、null。
  • NoSQL 資料庫匯入：MongoDB（mongoimport）、CouchDB、DynamoDB 的批次匯入工具直接讀取 JSON Lines（NDJSON）格式。
  • 資料管線與工作流：Apache Airflow、Prefect、Mage、dbt 等資料處理工具在步驟間交換資料時常要求 JSON / NDJSON。
  • LLM 上下文傳遞：把表格資料傳給 LLM 時，JSON 物件的明確鍵值結構比裸 CSV 更容易讓模型正確識別欄位，減少幻覺（hallucination）。

兩種格式的差異與資料模型，可以在 JSON 相關技術文件中找到完整說明。

5 種 JSON 輸出格式

大多數 CSV 轉 JSON 工具只提供一種格式：「以表頭為鍵的物件陣列」。但這不是所有場景都適用。同一份 CSV 可以轉出 5 種截然不同的 JSON 結構：

輸入 CSV：

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

輸出格式應該依據「接收端系統期望什麼」來決定，而不是跟着轉換工具的預設走：

格式JSON 結構適用場景產生方式
物件陣列[{...}, {...}]REST API 或前端元件逐行接收大多數轉換工具的預設
Keyed 物件{"id": {...}}不需要逐行遍歷、想直接用 ID 查表Python 字典推導式
JSON Lines（NDJSON）每行一個物件，不用陣列包檔案大到記憶體放不下、或資料倉儲批次匯入大型檔案用 mlr --ojsonl，記憶體中已有陣列時用 jq -c '.[]'
欄位導向{"col": [v1, v2]}接收端 Python 程式期望每個欄位一個列表df.to_dict(orient="list")
巢狀結構[{"a": {"b": v}}]API 要求巢狀物件結構以斜線（/）分隔的表頭 + 後處理

格式 1：物件陣列（大多數工具的預設）

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

用途：REST API 請求、前端資料渲染、一般資料交換。

格式 2：Keyed 物件（指定某欄位為主鍵）

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

用途：查表、以 ID 做 O(1) 字典取用。Python 產生方式：

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, ensure_ascii=False)

格式 3：JSON Lines / NDJSON（換行分隔 JSON）

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

用途：串流匯入（BigQuery、Snowflake COPY INTO、MongoDB mongoimport --type=json、日誌管線、Kafka producer）。每行都是完整的獨立 JSON 物件，所以 GB 級的檔案也能逐行處理而不必全部載入記憶體。

產生方式：Miller 的 mlr --icsv --ojsonl cat data.csv 或 jq -c '.[]' array.json > lines.ndjson。

格式 4：欄位導向（平行陣列）

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

用途：資料科學（與 Apache Arrow / pandas 內部記憶體佈局一致）、GPU 加速管線、欄式資料庫。pandas 產生：df.to_dict(orient="list")。

格式 5：斜線分隔表頭產生巢狀結構

輸入 CSV（表頭用斜線表示層級）：

id,name,address/city,address/zip
1,Alice,Taipei,10048
2,Bob,Kaohsiung,80047

輸出（巢狀 JSON）：

[
  { "id": 1, "name": "Alice", "address": { "city": "Taipei", "zip": "10048" } },
  { "id": 2, "name": "Bob",   "address": { "city": "Kaohsiung", "zip": "80047" } }
]

用途：產生要求巢狀結構的 API 請求 body。大多數轉換工具需要額外後處理。

方法 1：FormatArc 瀏覽器工具（不需上傳）

現在就要轉、又不想裝任何軟體的話，FormatArc CSV 轉 JSON 是最快的選擇。所有運算都在瀏覽器內完成，資料不會傳到任何外部伺服器。

  1. 打開 CSV 轉 JSON 轉換器
  2. 把 CSV 文字貼到左側編輯器
  3. 點「轉換」按鈕，右側出現整理好的 JSON 結果

FormatArc CSV 轉 JSON 轉換結果FormatArc CSV 轉 JSON 轉換結果

簡易解析器常出錯的邊界狀況也能正確處理：引號欄位內的逗號、含換行的儲存格、空欄位（轉為空字串）等。

瀏覽器內處理在處理敏感資料時特別重要。客戶個資、薪資資料、從 vault 匯出的 API key、公司內部財務指標——貼上去的資料只存在目前的瀏覽器分頁中，沒有任何上傳或伺服器端處理。

方法 2：Python — csv.DictReader 與 pandas

Python 標準函式庫內建 csv 與 json 模組，基本轉換不需要安裝任何第三方套件：

import csv
import json
import sys

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

存成 csv2json.py 後執行：

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

csv.DictReader 會自動把第 1 行當表頭。每行變成一個 dict，dict 的列表直接對應 JSON 的物件陣列。ensure_ascii=False 在 CSV 含有中文、日文字母、特殊符號時很重要，漏掉的話中文字會被轉成 \uXXXX Unicode 逸出序列。

使用 pandas（大型檔案 + 型別推論）

資料分析環境或大型檔案處理用 pandas 比較方便：

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" 輸出物件陣列。其他選擇有 "index"（Keyed 物件）、"columns"（欄位導向）、"values"（陣列的陣列）。

記憶體放不下的檔案用 chunksize 串流處理：

import pandas as pd

with open("output.ndjson", "w", encoding="utf-8") 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")

以 NDJSON 格式輸出，記憶體中任何時刻只保持 10000 行，所以可以用恆定的記憶體用量處理任意大小的檔案。

方法 3：Node.js — PapaParse

JavaScript 與 Node.js 生態中解析 CSV 的事實標準是 papaparse。FormatArc 的瀏覽器工具內部也使用 PapaParse。

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));

GB 級大型檔案用 Node.js 串流搭配 step 回呼，把記憶體用量降到最低：

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(),
});

每行立刻寫入磁碟，不管檔案多大使記憶體用量保持恆定。

方法 4：Go — encoding/csv

Go 標準函式庫的 encoding/csv 與 encoding/json 搭配即可達成高效能轉換：

package main

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

func main() {
    f, err := os.Open("data.csv")
    if err != nil {
        panic(err)
    }
    defer f.Close()

    reader := csv.NewReader(f)
    records, err := reader.ReadAll()
    if err != nil {
        panic(err)
    }

    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 的 encoding/csv 預設把所有欄位當作字串處理。如果要轉成數值或布林型別，需要手動呼叫 strconv.Atoi、strconv.ParseFloat、strconv.ParseBool。

處理大型檔案時，把 ReadAll() 改成 for 迴圈中的 Read()，逐行讀取並用 json.Marshal 寫入 NDJSON 檔案，就能控制記憶體在恆定水平。

方法 5：Miller 與 csvkit（單行 CLI）

在終端機或 shell 腳本中想要一鍵完成轉換時，這兩個 CLI 工具非常實好用。

Miller（mlr）

Miller 是針對結構化資料的高效能串流處理器，地位類似結構化資料領域的 awk：

# 轉成 JSON 物件陣列
mlr --icsv --ojson cat data.csv > data.json

# NDJSON（適合串流管線）
mlr --icsv --ojsonl cat data.csv > data.ndjson

# 轉換同時做過濾
mlr --icsv --ojson filter '$score > 90' data.csv

# 轉換時新增計算欄位
mlr --icsv --ojson put '$grade = $score >= 90 ? "A" : "B"' data.csv

安裝：macOS 用 brew install miller，Linux（Debian/Ubuntu）用 apt install miller。

csvkit（csvjson）

csvkit 是 Python 系的 CSV 工具套件：

pip install csvkit
csvjson data.csv > data.json

常用選項：

  • --indent 2 — 帶縮排的整潔 JSON 輸出
  • --no-inference — 關閉自動數值轉換，全部保留為字串
  • --stream — 不用陣列包，改以 NDJSON 串流輸出
  • --locale zh_TW.UTF-8 — 依地區格式解析數值

只是想快速在終端機拿到 NDJSON，csvjson --stream 是最省事的選擇。

巢狀 JSON 產生（斜線分隔表頭）

大多數轉換器只回傳一維的扁平物件。如果下游的 REST API、MongoDB schema、GraphQL resolver 需要巢狀結構，就需要後處理邏輯。

實務上有一種常見慣例：在表頭中用斜線（/）或句點（.）表示層級：

id,name,address/city,address/zip,address/country
1,Alice,Taipei,10048,TW
2,Bob,Kaohsiung,80047,TW

Python 產生巢狀物件：

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)

輸出結果：

[
  { "id": "1", "name": "Alice", "address": { "city": "Taipei", "zip": "10048", "country": "TW" } },
  { "id": "2", "name": "Bob",   "address": { "city": "Kaohsiung", "zip": "80047", "country": "TW" } }
]

如果想用句點記法（address.city），把 sep="." 傳入即可。

編碼與語法問題（Big5 / UTF-8 BOM / 引號逗號 / 內嵌換行）

編碼不一致是 CSV 轉 JSON 時文字變亂碼的最主要原因。

Big5 與 Big5-ETC（繁體中文 Excel 預設編碼）

繁體中文 Windows 版 Excel 在「另存新檔」選「CSV（以逗號分隔）」時，預設使用 Big5 編碼而非 UTF-8。把 Big5 檔案當成 UTF-8 讀取會產生亂碼，例如「姓名」變成「åå'»åå'§」之類的無意義字元。

這是繁體中文開發者最常遇到的編碼問題，也是和日韓環境最大的差異所在：日版 Excel 預設 Shift-JIS，韓版預設 CP949/EUC-KR，但繁中環境預設 Big5。

Python 中指定 Big5 讀取：

with open("data.csv", encoding="big5") as f:
    reader = csv.DictReader(f)

如果檔案實際上是 Big5-ETC（Big5 的扩展版，多了一些罕用字），用：

with open("data.csv", encoding="big5") as f:
    # 或 encoding="big5hk" 視環境而定
    reader = csv.DictReader(f)

終端機中一併轉成 UTF-8：

iconv -f BIG5 -t UTF-8 data.csv > data.utf8.csv

如果是 Big5-ETC 的檔案：

iconv -f BIG5-ETC -t UTF-8 data.csv > data.utf8.csv

FormatArc 瀏覽器工具 以 UTF-8 輸入為標準。Big5 檔案請先用 iconv 或在文字編輯器中「另存新檔」選 UTF-8 編碼，再貼上內容。

UTF-8 BOM（Byte Order Mark）

Windows 版 Excel 選「CSV UTF-8」格式儲存時，檔案開頭會多 3 位元組的 BOM（EF BB BF）。多數 JSON 解析器不會自動去除 BOM，導致第一個欄位的鍵名變成 name 前面帶了看不見字元的 name。

Python 去除 BOM：

with open("data.csv", encoding="utf-8-sig") as f:
    # -sig 選項會自動去除 BOM
    reader = csv.DictReader(f)

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

Latin-1（歐洲版 Excel 預設）

歐洲地區 Excel 常以 Latin-1（Windows-1252）儲存。處理方式與 Big5 類似：iconv -f LATIN1 -t UTF-8 或在 Python 中指定 encoding="latin-1"。

引號內的逗號與儲存格內換行

含分隔符號（逗號）或換行符號的欄位必須用引號包起來：

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

用 string.split(",") 這種簡易實作會把第 1 行的逗號當成欄位邊界、把第 2 行的換行當成記錄結束，完全解析錯誤。務必使用符合 RFC 4180 規範的正式 CSV 解析器（csv.DictReader、PapaParse、Miller、csvkit）。

逗號以外的分隔符號（分號 / Tab / 直線）

歐洲地區 Excel 用分號（;）做欄位分隔（因為小數點用逗號表示）。這時要明確指定分隔符號：

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

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

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

TSV（Tab 分隔）用 delimiter="\t" 或 Miller 的 --itsv 選項。

型別推論（數值 / 布林 / null 的解釋）

CSV 本質上所有值都是文字。轉成 JSON 時要不要自動轉成數值或布林，各工具行為不同：

工具預設行為啟用型別推論
Python csv.DictReader全部字串手動轉換（casting）
pandas read_csv逐欄自動推論預設開啟，dtype=str 可關閉
PapaParse（Node.js）全部字串{ dynamicTyping: true }
Miller（mlr）全部字串--inumeric 旗標
csvkit（csvjson）自動推論開啟--no-inference 可關閉
FormatArc 瀏覽器全部保留為字串（防止資料失真）無

不小心開啟自動型別推論時的危險：

  • "007" 被轉成數字 7，前導零消失（電話號碼、郵政編號、員工編號、ISBN 會造成嚴重問題）
  • "NaN"、"Infinity" 字串被轉成浮點數值
  • "true"、"false"、"yes"、"no" 被自動轉成布林值
  • 空字串 "" 視工具不同被轉成 null、保留為 ""、或整個欄位被省略
  • 超過 15 位的數字型 ID 會被 JavaScript 雙精確度浮點數上限（Number.MAX_SAFE_INTEGER = 2^53 - 1）截斷尾數

安全原則：生產環境的資料管線中，全部欄位保留為字串輸出，在明確知道 schema 的應用層再做型別轉換。自動推論在分析場景很方便，但在正式管線中不穩定。

效能與大型檔案

幾 MB 以內的小檔案，用哪種方法速度差不到有感。差距開始出現是在資料量超出記憶體舒適範圍的時候。

檔案規模建議方法理由
記憶體放得下FormatArc 瀏覽器 / csvkit / pandas不需要串流，快速完成
一次載入太吃緊pandas chunksize / Miller / PapaParse stream / Go逐行或分塊處理，避免 OOM
非常大（數 GB 以上）Miller / Go encoding/csv / Python csv.DictReader + NDJSON必須恆定記憶體的純串流

吞吐量實測（Apple M5 Pro / 64GB RAM / macOS 26.5、5 欄 1,000,000 行 CSV、單執行緒，重現腳本見 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 次量測的暖機中位數；冷機首次因 FS cache 未命中約 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
  • FormatArc 瀏覽器工具：內部使用 PapaParse 5.5 引擎，但受瀏覽器主執行緒響應度與分頁記憶體上限制約，吞吐量不及 CLI 工具。實務上數十 MB、數十萬行是舒適的操作範圍。

以上數值隨硬體、OS、工具版本差異很大。舊款 CPU 或舊版套件（pandas 2.x、Miller 5.x）會明顯偏低。重要系統請在自己的環境重測。

TB 級大資料已經超出這些單機工具的適用範圍，應改用 DuckDB（COPY data FROM 'data.csv' (FORMAT CSV) → COPY (SELECT * FROM data) TO 'out.ndjson' (FORMAT JSON, ARRAY false)）、Apache Spark、Apache Arrow。

任意大小檔案的串流模式（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")

以 NDJSON 格式逐行即時輸出。每行只消耗一行的記憶體，不隨輸入大小增加。可透過 pipe 用 gzip -c > out.ndjson.gz 即時壓縮，或直接串流到 BigQuery、AWS S3。

CI/CD 工作流（curl POST 與 GitHub Actions）

實務上常見的需求：Git 倉庫中管理的 CSV 檔，每次 push 都自動轉 JSON 並 POST 到 API。

# 執行轉換
python3 csv2json.py < users.csv > users.json

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

GitHub Actions 工作流：

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

如果只是要快速測試 API，把 CSV 貼到 CSV 轉 JSON 工具 中，複製產生的 JSON 到 Postman、Insomnia 或 curl 就夠了。

常見問題

Excel 輸出的 CSV 帶 BOM，FormatArc 能處理嗎？

可以。FormatArc 瀏覽器工具 會自動偵測並去除 UTF-8 BOM。Python 端用 encoding="utf-8-sig"，Node.js 的 PapaParse 也會透明處理 BOM。

能輸出 NDJSON（JSON Lines）嗎？

目前 FormatArc 瀏覽器工具輸出標準 JSON 陣列。如果需要 NDJSON，用 Miller（mlr --icsv --ojsonl）或 csvkit（csvjson --stream）。日誌管線和資料庫批次匯入都以此格式為標準。

沒有表頭的 CSV 怎麼轉？

Python csv.DictReader 用 fieldnames 參數手動指定欄位名：

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

PapaParse 用 Papa.parse(csv, { header: false }) 取得二維陣列（陣列的陣列），再手動映射成物件。

數字 ID 欄被輸出成字串怎麼辦？

大多數工具預設全部輸出字串以防止資料失真。要輸出數字就開啟型別推論：PapaParse 的 dynamicTyping: true、Miller 的 --inumeric、pandas 的 dtype。但超過 15 位的 ID 會受 JavaScript 雙精確度浮點數上限影響而失去尾數精度。

JSON 鍵名開頭看到  字元？

這是 UTF-8 BOM 被當成 Latin-1 解碼後顯示的結果。Python 讀取時指定 encoding="utf-8-sig"，或用 sed '1s/^\xEF\xBB\xBF//' data.csv 先去除 BOM。

瀏覽器能轉的最大 CSV 大小是多少？

沒有固定上限，取決於你的裝置與瀏覽器分頁可用記憶體。瀏覽器同時持有原始文字與解析後的 JSON 物件，所以實際記憶體使用會超過檔案本身的大小。GB 級大型檔案建議用 Miller、pandas chunksize、或 Go 串流程式處理。

CSV 儲存格內含 JSON 字串怎麼轉？

儲存格內有 "{""key"":""value""}" 這種 JSON 字串時，先以文字解析 CSV，再對該欄位套用 json.loads()：

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)

JSON 輸出能保持欄位順序嗎？

主流工具都保留欄位順序。Python 3.7 以上的 dict 維持插入順序，csv.DictReader 依表頭順序，pandas to_json(orient="records") 也維持欄位順序。json.dump 在沒傳 sort_keys=True 時不會重新排序。

相關工具

總結

CSV 轉 JSON 的方法很多，依用途選對工具才是關鍵：

  • 不需安裝、處理機敏資料：FormatArc CSV 轉 JSON — 瀏覽器內完成、無上傳、處理編碼問題
  • Shell 管線與 CLI 自動化：Miller（mlr --icsv --ojson）或 csvkit（csvjson）
  • Python 專案：標準函式庫 csv.DictReader，大型檔案與型別推論用 pandas
  • Node.js 專案：PapaParse（dynamicTyping 與大型檔案的 step 串流）
  • Go 微服務：encoding/csv + 逐行串流迴圈

四個關鍵要點：選對輸出格式（陣列 / NDJSON / Keyed / 欄位導向 / 巢狀）、確認輸入檔案編碼（Big5 / UTF-8 BOM / Latin-1）、決定要不要型別推論、記憶體放不下的檔案改用串流處理。