Esempio completo funzionante disponibile su GitHub: strip-pdf-metadata-dotnet

Introduzione

La sanificazione dei metadati PDF è un flusso di lavoro GroupDocs.Metadata per .NET che cancella il dizionario Info del PDF e i campi di identità XMP dai servizi C#. Quando un PDF di contratto esce da un’unità interna, i campi Author, Creator, Producer, Keywords e i pacchetti XMP spesso lo accompagnano. I pulitori del browser e un rapido passaggio con Acrobat possono sembrare efficaci, mentre XMP continua a indicare l’autore originale. Ho riscontrato questo problema quando una bozza “pulita” mostrava ancora Alice Example sotto Author dopo che un partner ha aperto il file in un altro visualizzatore.

GroupDocs.Metadata per .NET offre ai servizi C# due chiare intensità di pulizia sullo stesso oggetto Metadata: Sanitize() per una cancellazione completa dei pacchetti rilevati, e RemoveProperties quando Title e Subject devono rimanere ma l’identità della persona no. Questo articolo confronta entrambi gli approcci con i passaggi di ispezione e verifica che rendono il risultato auditabile.

Avrai a disposizione esempi funzionanti per .NET 8, una regola decisionale per la pulizia destinata all’esterno rispetto a quella adatta all’archiviazione, e un predicato di verifica che controlla Author / Person.Creator invece di generare errori per le impronte digitali Creator/Producer del motore PDF dopo Save.

Perché la pulizia dei metadati PDF è importante

Le condivisioni di file in uscita, i download multi-tenant e gli archivi regolamentati richiedono tutti un’API di rimozione dei metadati ripetibile anziché un clic su desktop. Questo approccio è particolarmente utile per:

  • Portali partner: cancellazione completa prima che un PDF attraversi un confine di fiducia
  • Ricerca nei record: mantenere Title/Subject mentre si eliminano i campi di tipo Author
  • Risposta a incidenti: dimostrare che l’Author è stato rimosso dopo una condivisione errata
  • Gate CI: fallire una build quando la verifica restituisce false

Prerequisiti

Prima di iniziare, assicurati di avere:

  • .NET 8 SDK
  • GroupDocs.Metadata 26.8.0 (temporary license)
  • Un PDF che contiene ancora i campi Info e/o XMP di identità
  • Visual Studio 2022 o VS Code (opzionale)

Installazione

Installa GroupDocs.Metadata tramite NuGet:

dotnet add package GroupDocs.Metadata --version 26.8.0

O ripristina dal file .csproj del progetto di esempio. Per un Save senza restrizioni, imposta la variabile d’ambiente LIC_METADATA_VALID sulla cartella che contiene GroupDocs.Metadata.Product.Family.lic.

Metodo 1 - Ispeziona prima di pulire

Inizia con un elenco in sola lettura così sai quali campi contiene effettivamente il PDF. Gli strumenti del browser spesso non rilevano XMP; questo elenco è la base per un controllo prima/dopo.

using var metadata = new Metadata(inputPath);
var properties = metadata.FindProperties(p =>
    p.Tags.Contains(Tags.Person.Creator) ||
    p.Tags.Contains(Tags.Tool.Software) ||
    p.Tags.Contains(Tags.Content.Title) ||
    p.Tags.Contains(Tags.Content.Subject) ||
    string.Equals(p.Name, "Author", StringComparison.OrdinalIgnoreCase) ||
    string.Equals(p.Name, "Creator", StringComparison.OrdinalIgnoreCase) ||
    string.Equals(p.Name, "Producer", StringComparison.OrdinalIgnoreCase) ||
    string.Equals(p.Name, "Keywords", StringComparison.OrdinalIgnoreCase));

foreach (var property in properties)
{
    Console.WriteLine($"{property.Name} = {property.Value}");
}

Punti chiave:

  • Tag più nomi: combina i controlli dei tag con le uguaglianze Author / Keywords per i produttori che etichettano i campi in modo diverso
  • Nessuna mutazione: sicuro per modalità di prova e ticket di supporto
  • Filtri condivisi: riutilizza le stesse idee nei predicati di rimozione in seguito

Metodo 2 - Sanifica tutti i metadati rilevati

Usa Sanitize() quando il PDF deve uscire senza traccia di autore. La chiamata cancella i pacchetti riconosciuti, inclusi i campi del dizionario Info e XMP quando l’API li rileva, quindi salvi un nuovo file.

using var metadata = new Metadata(inputPath);
int removed = metadata.Sanitize();
Console.WriteLine(removed);
metadata.Save(outputPath);

Punti chiave:

  • Una chiamata: superficie ridotta per percorsi in uscita
  • Registra il conteggio: gli operatori possono distinguere input già puliti da grandi cancellazioni
  • Aspettati timbri di strumenti: dopo Save, Creator/Producer possono mostrare i valori Tool.Software del motore PDF

Ideale quando: download da partner, link pubblici, scambio cross-tenant.

Metodo 3 - Rimuovi solo le proprietà di tipo autore

Quando Title, Subject e Keywords sono ancora utili per la ricerca, rimuovi l’identità della persona con RemoveProperties invece di cancellare ogni pacchetto.

using var metadata = new Metadata(inputPath);
int removed = metadata.RemoveProperties(p =>
    p.Tags.Contains(Tags.Person.Creator) ||
    p.Tags.Contains(Tags.Person.Editor) ||
    string.Equals(p.Name, "Author", StringComparison.OrdinalIgnoreCase) ||
    string.Equals(p.Name, "Creator", StringComparison.OrdinalIgnoreCase) ||
    string.Equals(p.Name, "Producer", StringComparison.OrdinalIgnoreCase));
Console.WriteLine(removed);
metadata.Save(outputPath);

Punti chiave:

  • Il predicato è revisionabile: la revisione del codice può vedere esattamente quali campi di identità vengono rimossi
  • I campi descrittivi rimangono: Title/Subject/Keywords restano con questo filtro di esempio
  • Stesso SDK: nessuna seconda libreria per il percorso selettivo

Ideale quando: archivi interni, bozze in circolazione, politiche che vietano Author ma consentono le parole chiave.

Come dimostrare la rimozione dell’Autore dopo il Salvataggio?

Riapri il PDF pulito e cerca solo Author / Person.Creator / Person.Editor. Stampa True quando non ne rimane nessuno. Non considerare le impronte residue di Creator/Producer Tool.Software come un fallimento della cancellazione – Save può riscriverle con il nome del motore PDF. Questa distinzione è ciò che mantiene onesti i controlli di conformità nella CI e impedisce falsi allarmi quando il motore appone i propri campi di strumento.

using var metadata = new Metadata(inputPath);
var leftovers = metadata.FindProperties(p =>
    p.Tags.Contains(Tags.Person.Creator) ||
    p.Tags.Contains(Tags.Person.Editor) ||
    string.Equals(p.Name, "Author", StringComparison.OrdinalIgnoreCase));

Console.WriteLine(!leftovers.Any());

Punti chiave:

  • Fai la domanda giusta: “L’Author è stato rimosso?” non “Il Creator è vuoto?”
  • Seconda apertura: verifica dopo Save, non solo in memoria
  • CI friendly: un booleano per test e log

Scegliere tra Sanitize e RemoveProperties

Domanda Preferisci Sanitize Preferisci RemoveProperties
Il file esce dall’azienda? Sì Solo se i campi descrittivi devono rimanere
La ricerca nell’archivio richiede Title? No Sì
La politica dice “nessuna persona nei metadati”? Entrambi, poi verifica Sì, con predicato focalizzato sulla persona
L’operatore vuole un solo pulsante? Sì Avvolgi dietro una rotta nominata

strip-pdf-metadata-dotnet è una demo .NET eseguibile che collega tutti e quattro i passaggi contro Resources/contract-with-metadata.pdf così puoi vedere ispezione, sanificazione, rimozione selettiva e verifica in un’unica esecuzione console.

Errori comuni

  • Fidarsi solo di un pulitore del browser: XMP spesso sopravvive.
  • Verificare i nomi di Creator/Producer: le impronte del motore dopo Save causano falsi fallimenti.
  • Un predicato per sempre: rivedi i nomi dei campi di identità quando compaiono nuovi produttori.
  • Saltare la configurazione della licenza per Save: la modalità di valutazione può bloccare scritture senza restrizioni; imposta LIC_METADATA_VALID per test completi della pipeline.
  • Saltare l’ispezione: senza un elenco preliminare non puoi capire se Sanitize ha rimosso 7 campi o 0 perché il file era già pulito.

Sul campione contract-with-metadata.pdf fornito, un’esecuzione con licenza stampa tipicamente Author e Keywords durante l’ispezione, un conteggio di rimozione Sanitize di circa 7 e True dalla verifica focalizzata su Author. La rimozione selettiva dell’autore stampa un conteggio più piccolo (circa 3) mentre Title e Subject rimangono visibili in una seconda ispezione.

Risorse aggiuntive

Conclusione

La pulizia dei metadati PDF su .NET non è una singola chiamata API con un nome vago. Scegli Sanitize() per cancellazioni in uscita, RemoveProperties quando Title e Subject devono rimanere, e ispeziona sempre poi verifica i campi di tipo Author dopo Save. Clona il repository di esempio, eseguilo sul PDF di contratto fornito, quindi copia gli stessi metodi nel tuo servizio di upload con registrazione dei conteggi di rimozione.