# Intégration avec les outils d’analyse > Importer le CSV converti dans Excel, Power BI, SQL Server, un SIEM ou un notebook Python — y compris les paramètres de délimiteur et de date qui font que ça marche du premier coup. --- LLMS index: [llms.txt](/llms.txt) --- Le but de la conversion d’un journal de débogage DNS est ce qui se passe ensuite. Le CSV a été choisi parce que tout le monde le lit — mais « tout le monde lit le CSV » cache deux réglages qui décident si l’import est simple ou une après-midi de bidouillage. ## Deux réglages qui décident de tout **Délimiteur.** Par défaut `;`. Gardez-le pour Excel dans les locales qui utilisent la virgule comme séparateur décimal. Passez à `,` pour la plupart des bases de données et outils de data science. Quel que soit votre choix, indiquez-le à la partie qui importe. **Format de date.** `-OutputCulture` contrôle la façon dont les horodatages sont écrits. Pour tout ce qui est lu par une machine, utilisez `sv-SE` (ou culture invariante) pour que `DateTime` sorte sous la forme `2026-01-20 23:00:16` : ```powershell Convert-DNSDebugLogFile -InputFile "C:\Logs\dns.log" -OutputCulture 'sv-SE' ``` Tous les consommateurs ci-dessous comprennent ce format sans indice. Une sortie spécifique à une locale comme `20.01.2026` sera importée en texte ou, pire, mal interprétée comme mois/jour. ## Microsoft Excel Le moyen le plus rapide pour consulter un journal converti unique. - Avec le délimiteur par défaut `;` et une locale qui l’attend, un double-clic ouvre le fichier avec les colonnes correctement séparées. - Si tout atterrit dans la colonne A, le délimiteur ne correspond pas à votre réglage Excel. Relancez avec `-Delimiter ","` ou importez via **Données → À partir du texte/CSV** et choisissez le délimiteur là. - Transformez la plage en tableau (`Ctrl+T`) et créez un tableau croisé dynamique sur `ClientIP`, `QuestionName` ou `QuestionType`. Les principaux clients et domaines prennent environ une minute. - Pour plus de quelques centaines de milliers de lignes, utilisez plutôt Power Query ou une des autres options ci-dessous. Les fichiers `*_Statistic.csv` et `*_PacketStatistic.csv` sont généralement de meilleures cibles pour Excel — ils sont pré-agrégés et restent petits. Voir [Formats de sortie](../02-output-formats/). ## Power BI Importez les fichiers CSV et créez des tableaux de bord pour l’activité DNS, les principaux clients, les tendances des requêtes et les taux d’erreur. - Pointez Power Query vers le *dossier* contenant vos fichiers convertis plutôt qu’un seul fichier. La structure est identique entre serveurs et jours, donc les fichiers s’additionnent simplement. - La colonne `ComputerName` permet de faire un rapport multi-serveurs — définissez `-ComputerName` lors de la conversion sinon vous ne pourrez pas filtrer par serveur. - `ResponseCode` et `QuestionType` sont des filtres naturels ; `DateTime` devient votre axe temporel. - Alimenter Power BI avec `*_PacketStatistic.csv` au lieu du fichier complet garde le modèle léger quand vous avez seulement besoin des tendances journalières. ## Bases de données SQL Chargez en masse le CSV dans SQL Server, PostgreSQL ou tout autre système SQL, pour une conservation à long terme et des requêtes répétables. Un tutoriel prêt à l’emploi — définition de table, conversion, import `SqlBulkCopy` et requête de détection d’activité `TXT` suspecte — est documenté dans [Workflow d’analyse de sécurité avec SQL Server](../examples/security-analysis-sql/). Points à planifier avant la première charge : - Utilisez `-OutputCulture 'sv-SE'` pour que les horodatages arrivent dans une colonne `datetime2` sans astuces de conversion. - `Information` et `Details` peuvent être longs ; donnez-leur `nvarchar(max)`. - Indexez ce que vous interrogez réellement — typiquement `DateTime`, `ClientIP` et `QuestionName`. - Gardez `-ComputerName` renseigné pour que les lignes restent attribuables après fusion. ## Systèmes SIEM Splunk, Elastic, Sentinel et plateformes similaires ingèrent le CSV pour corrélation avec d’autres télémétries de sécurité et pour les alertes. - Envoyez la sortie compressée (`-CompressOutput`) — elle fait environ un dixième de la taille et la plupart des collecteurs la décompressent eux-mêmes. - Définissez le mapping des champs une fois ; la disposition des colonnes ne change jamais entre les exécutions ou serveurs, y compris la colonne `ComputerName` toujours présente à la fin. - Faites dédupliquer votre collecteur, ou archivez les fichiers `.log` traités. Un job de conversion qui retraiterait les mêmes logs tournés renverrait sinon des lignes identiques. - `-ContextFilter Packet` limite le volume d’ingestion (et le coût de licence) quand les notes serveur ne font pas partie de vos cas d’usage. ## Python, R et outils de data science La sortie structurée est prête pour la détection d’anomalies, la mise en référence et les analyses personnalisées. ```python import pandas as pd df = pd.read_csv( r"C:\Administration\Logs\DNSServer\dns.csv", sep=";", parse_dates=["DateTime"], ) # top 20 des noms interrogés, uniquement les requêtes top = ( df[df["Direction"] == "Rcv"] .groupby("QuestionName") .size() .sort_values(ascending=False) .head(20) ) print(top) ``` `parse_dates` fonctionne directement quand vous avez exporté avec `-OutputCulture 'sv-SE'`. À partir de là, pandas, scikit-learn ou R gèrent le clustering, la saisonnalité et la détection d’anomalies comme d’habitude. ## Rester dans PowerShell Pas besoin de quitter PowerShell pour une réponse rapide : ```powershell $dns = Import-Csv "C:\Administration\Logs\DNSServer\dns.csv" -Delimiter ';' # clients les plus bruyants $dns | Where-Object Direction -eq 'Rcv' | Group-Object ClientIP | Sort-Object Count -Descending | Select-Object -First 10 Count, Name # recherches échouées $dns | Where-Object ResponseCode -eq 'NXDOMAIN' | Group-Object QuestionName | Sort-Object Count -Descending | Select-Object -First 10 Count, Name ``` `Import-Csv` lit tout le fichier en mémoire, donc c’est bien pour un fichier tourné mais pas adapté à un export de plusieurs gigaoctets — c’est là que les bases de données et SIEM entrent en jeu.