CSV zu JSON Converter im Vergleich: Online, Excel, Python und Node.js

Eine CSV-Datei in JSON zu verwandeln klingt nach einer kleinen Aufgabe, und für eine Handvoll Zeilen ist sie das auch. Sobald die Daten aber regelmäßig anfallen, sehr groß werden oder personenbezogene Informationen enthalten, wird die Wahl des Werkzeugs entscheidend. Vier Ansätze haben sich etabliert: der Online-Konverter im Browser, Excel mit Power Query, ein Python-Skript und ein Node.js-Skript mit PapaParse. Dieser Artikel stellt die vier gegenüber, nennt für jeden die typischen Einsatzfälle und beantwortet die in der Praxis wichtigste Frage zuerst: Wohin gehen meine Daten?

Die vier Methoden auf einen Blick

Bevor wir ins Detail gehen, lohnt sich ein Überblick. Die folgende Grafik ordnet die vier Wege nach zwei Achsen ein, die in der Praxis am häufigsten den Ausschlag geben: dem nötigen technischen Aufwand und der Eignung für wiederkehrende, automatisierte Umwandlungen.

Online-Konverter im Browser

Der schnellste Weg führt über ein Web-Tool. Man öffnet die Seite, fügt die CSV-Daten ein oder lädt die Datei, wählt das Trennzeichen und erhält sofort das JSON, fertig zum Kopieren oder als .json-Datei. Es ist nichts zu installieren, keine Anmeldung nötig, und die gängigen Tools sind kostenlos. International bekannt sind etwa convertcsv.com, csvjson.com, tableconvert.com und jam.dev.

Der entscheidende Unterschied liegt unter der Haube: Manche Online-Konverter laden die Datei auf einen Server hoch und rechnen dort, andere führen die gesamte Umwandlung lokal im Browser per JavaScript aus. Für nicht sensible Daten ist das egal. Sobald aber personenbezogene oder vertrauliche Inhalte im Spiel sind, ist die clientseitige Variante klar vorzuziehen, weil die Daten den eigenen Rechner nie verlassen. Unser CSV zu JSON Converter gehört zu dieser Kategorie: Es gibt keinen Upload, die Verarbeitung passiert vollständig im Browser.

Excel mit Power Query

Wer ohnehin in Microsoft Excel arbeitet, muss die Datei für eine Konvertierung nicht erst verlassen. Power Query (in Excel zu finden unter Daten, Daten abrufen) importiert die CSV, erlaubt das Bereinigen von Spalten und kann das Ergebnis als JSON ausgeben. Über die Funktion Json.FromValue in der Sprache M lässt sich die geladene Tabelle in JSON umwandeln und in eine Datei schreiben.

Der Vorteil: Die Schritte werden als wiederholbare Abfrage gespeichert. Kommt nächste Woche eine neue Datei mit gleichem Aufbau, genügt ein Klick auf Aktualisieren. Der Nachteil: Power Query ist auf flache Tabellen ausgelegt. Echte Verschachtelung (nested JSON) ist umständlich, und für sehr große Datenmengen oder eine vollautomatische Pipeline ist Excel nicht das richtige Werkzeug. Gerade im deutschsprachigen Raum kommt die Semikolon- und Dezimalkomma-Eigenheit hinzu, die beim Import korrekt eingestellt werden muss.

Python mit pandas oder dem csv-Modul

Für wiederkehrende oder große Aufgaben ist Python der Klassiker. Mit der Bibliothek pandas ist die Umwandlung eine Sache von zwei Zeilen, inklusive automatischer Typ-Erkennung für Zahlen:

import pandas as pd

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

Zwei Details sind hier für deutsche Exporte entscheidend: sep=";" stellt das Semikolon als Trennzeichen ein, und encoding="utf-8-sig" entfernt automatisch ein eventuelles UTF-8-BOM, das Excel an den Dateianfang setzt. force_ascii=False sorgt dafür, dass Umlaute als ä, ö, ü und ß erhalten bleiben statt als Unicode-Escapes geschrieben zu werden.

Wer ohne externe Bibliothek auskommen will, nutzt das eingebaute csv-Modul mit csv.DictReader. Es ist standardkonform nach RFC 4180 und liest die Datei zeilenweise, was bei sehr großen Dateien Speicher spart. Python eignet sich damit sowohl für das schnelle Skript als auch für eine ausgewachsene Datenpipeline.

Node.js mit PapaParse

In der JavaScript-Welt ist PapaParse die Referenz für CSV. Die Bibliothek läuft sowohl im Browser als auch unter Node.js, erkennt Trennzeichen automatisch, geht robust mit Anführungszeichen und Zeilenumbrüchen um und kann Zahlen sowie Wahrheitswerte typisieren. Genau diese Bibliothek treibt auch viele clientseitige Online-Konverter an.

import fs from "node:fs";
import Papa from "papaparse";

const csv = fs.readFileSync("kunden.csv", "utf8");
const result = Papa.parse(csv, {
  header: true,
  skipEmptyLines: true,
  dynamicTyping: true
});
fs.writeFileSync("kunden.json", JSON.stringify(result.data, null, 2));

Die Option header: true macht die Kopfzeile zu Objektschlüsseln, dynamicTyping: true verwandelt 42 in eine Zahl und true in einen Wahrheitswert. Für riesige Dateien bietet PapaParse einen Streaming-Modus, der die Datei häppchenweise verarbeitet, ideal in Kombination mit JSON Lines (NDJSON) als Zielformat. Node.js ist damit erste Wahl, wenn die Umwandlung Teil einer Web-Anwendung oder eines bestehenden JavaScript-Projekts ist.

Direkter Vergleich der vier Methoden

Datenschutz: das DSGVO-Argument

Bei CSV-Dateien geht es oft um genau die Daten, die besonders schützenswert sind: Kunden- und Adresslisten, Mitarbeiterdaten, Bestellungen. Sobald solche personenbezogenen Daten an einen fremden Server geschickt werden, greift die Datenschutz-Grundverordnung. Lädt ein Online-Tool die Datei zur Verarbeitung hoch, wird der Betreiber zum Auftragsverarbeiter im Sinne von Art. 28 DSGVO, was einen entsprechenden Vertrag (AVV) erfordert, den ein anonymes Gratis-Tool in der Regel nicht bietet.

Werkzeuge, die lokal rechnen, umgehen dieses Problem von vornherein: Python und Node.js laufen ohnehin auf dem eigenen Rechner, Excel ebenso, und ein clientseitiger Browser-Konverter sendet die Daten gar nicht erst weg. Das Bundesamt für Sicherheit in der Informationstechnik (BSI) empfiehlt im Sinne der Datenminimierung, Daten nur dort zu verarbeiten, wo es nötig ist. Bei sensiblen CSV-Inhalten ist die lokale Variante daher nicht nur bequemer, sondern der rechtssichere Weg.

Welche Methode passt für welchen Fall?

Online-Konverter, wenn ...

• Sie eine einmalige oder gelegentliche Umwandlung brauchen.
• kein Code geschrieben und nichts installiert werden soll.
• Sie ein lokal arbeitendes Tool wählen, sobald sensible Daten im Spiel sind.

Excel Power Query, wenn ...

• Sie ohnehin in Excel arbeiten und die Tabelle dort schon vorliegt.
• sich der gleiche Import regelmäßig wiederholt und per Klick aktualisiert werden soll.
• die Daten flach und überschaubar groß sind.

Python, wenn ...

• die Umwandlung Teil einer Datenpipeline oder Analyse ist.
• die Dateien sehr groß sind und Streaming nötig wird.
• Sie volle Kontrolle über Typisierung und Verschachtelung wollen.

Node.js, wenn ...

• die Konvertierung in eine Web-Anwendung oder ein JavaScript-Projekt eingebettet ist.
• Sie dieselbe Logik im Browser und auf dem Server nutzen wollen.
• robustes CSV-Parsing mit PapaParse gefragt ist.

Häufig gestellte Fragen

Quellen und Standards

• IETF: RFC 4180, Common Format and MIME Type for CSV Files
• IETF: RFC 8259, The JavaScript Object Notation (JSON) Data Interchange Format
• pandas: DataFrame.to_json, offizielle Dokumentation
• Python: csv, CSV File Reading and Writing
• PapaParse: Offizielle Dokumentation
• Microsoft Learn: Power Query und JSON
• BSI: Bundesamt für Sicherheit in der Informationstechnik

Verwandte Artikel