在 Java 中转换 Office 文件时移除作者、标题和自定义属性

伴随示例仓库(待发布): remove-office-properties-java

Office 元数据移除是一个 GroupDocs.Conversion 的 Java 工作流,用于在导出 Office 文件时清除源文档属性。它解决了文档交付中一个小但容易被忽视的环节:文件看似已准备好,但其作者、标题或内部引用仍显示为草稿。本文通过一个 Word 报告演示这一决策,然后将相同策略应用于 Excel 和 PowerPoint。代码锁定在 26.10 版本,并使用虚构的输入文件。

介绍

假设一份报告正要离开内部审阅流程。可见的标题是正确的,图表已获批准,PDF 也能正常打开。但这些检查并未告诉你作者字段里写了什么。工作簿或演示文稿同样可能携带在团队内部有意义但对外部交付毫无价值的自定义属性。应将这些信息视为导出决策,而不是收件人发现的意外。

示例会生成每份报告的两个版本。一个保留源属性;另一个请求删除内置属性和自定义属性。它还会为每次运行写入同格式的 Office 副本,以便独立检查已检查的值。这是一个刻意可观察的示例。我们希望有证据表明设置改变了输出,而不是仅凭首页外观作假设。

为什么在导出时清理属性很重要

导出步骤是源文档变为交付产物的时刻。这使其成为决定内部属性是否随内容一起传递的有用位置。GroupDocs.Conversion for Java 26.10 为内置属性和自定义文档属性提供了独立的控制。你可以在加载 Office 源文件后、保存 PDF 之前应用这些控制。示例为外部副本变体启用了两类属性的清除。

这并不能替代对文档本身的审阅。作者姓名可能还出现在段落、单元格、批注或嵌入文件中。这些位置需要单独处理。我会把该功能描述为导出管道中的属性清理,因为这种说法与代码实际证明的内容相匹配。它也避免了对超出测试范围的更广泛隐私结果作出承诺。

何时应清除 Office 属性?

当你的交付政策排除内部作者信息、草稿标题或自定义引用字段时,请清除源属性。在构造 Converter 之前配置加载选项,并使用已知标记比较保留和清理后的输出。示例覆盖了 DOCX、XLSX 和 PPTX 源文件。请单独审阅可见内容,并允许输出生成的 PDF 字段(如 Producer)在清理后仍然保留。

前置条件

完整项目使用 JDK 11、Maven 和 GroupDocs.Conversion for Java 26.10。其 documents 目录包含三个虚构的报告。需要一份覆盖此版本的许可证才能进行无限制验证;评估限制可能导致完整比较无法完成。代码在特性方法之外设置许可证,并在分发的源码中使用占位符。请勿在项目中放置许可证文件。

安装

项目的 pom.xml 声明了 GroupDocs Java 仓库以及如下依赖。请在该项目目录下运行 Maven 命令。本文的 Java 代码块取自已验证的示例;它们假设已导入相关类、存在 Result 目录以及名为 clear 的布尔参数。

<dependency>
  <groupId>com.groupdocs</groupId>
  <artifactId>groupdocs-conversion</artifactId>
  <version>26.10</version>
</dependency>
mvn compile exec:java

步骤 1:明确属性策略

这三个方法接受相同的布尔策略。传入 false 保留源设置用于对照运行;传入 true 请求删除两类属性。在 WordProcessingLoadOptions 中,这些方法分别是 setClearBuiltInDocumentProperties 和 setClearCustomDocumentProperties。SpreadsheetLoadOptions 和 PresentationLoadOptions 也提供相应的控制。该一致性让你能够在三种不同的输入族上使用同一策略,而不会隐藏哪个加载器打开了哪个文件。

保留属性的运行很重要。如果源标记从未出现在普通输出中,空的清理输出只能提供弱证据。因此演示会在保留的 Office 副本中检查每个标记,并在清理副本中检查其缺失。这为比较提供了正对照。当你引入新文档模板或更改依赖版本时,请保持类似的测试。

步骤 2:导出 Word 报告

Word 路径以 documents/report.docx 开始。它包含虚构的文档属性和简短的可见报告。convertWord 创建类型化选项,分配策略,并通过 Converter 构造函数传入这些选项。该方法为交付写入 PDF,并为属性检查写入 DOCX 副本。两者都是新输出文件;源文件不会被此示例改写。

WordProcessingLoadOptions options = new WordProcessingLoadOptions();
options.setClearBuiltInDocumentProperties(clear);
options.setClearCustomDocumentProperties(clear);
String target = "Result/docx-" + (clear ? "clean" : "retained");
try (Converter converter = new Converter("documents/report.docx", () -> options)) {
    converter.convert(target + ".pdf", new PdfConvertOptions());
    converter.convert(target + ".docx", new WordProcessingConvertOptions());
}

目标名称以 retained 或 clean 结尾,取决于布尔参数。此区分防止两次运行相互覆盖,也使手动审查更容易:打开 PDF 检查呈现效果,打开对应的 Office 副本检查属性存储。在已验证的运行中,作者和标题在保留的 PDF 中仍然存在,而在清理的 PDF 中消失。Producer 信息仍然保留,这是一个独立的输出生成字段。

步骤 3:将策略应用于 Excel 和 PowerPoint

对于 Excel 报告,使用 SpreadsheetLoadOptions 而不是复用 Word 加载器。转换代码保持相同的属性标志,并更换输入族及同格式控制选项。示例中的 XLSX 故意留有空白间距,因此其分页不属于元数据断言的一部分。适配为业务报告时,请同时检查 PDF 页面和属性结果。属性成功并不意味着宽表会按预期打印。

SpreadsheetLoadOptions options = new SpreadsheetLoadOptions();
options.setClearBuiltInDocumentProperties(clear);
options.setClearCustomDocumentProperties(clear);
String target = "Result/xlsx-" + (clear ? "clean" : "retained");
try (Converter converter = new Converter("documents/report.xlsx", () -> options)) {
    converter.convert(target + ".pdf", new PdfConvertOptions());
    converter.convert(target + ".xlsx", new SpreadsheetConvertOptions());
}

PowerPoint 使用相同的加载策略,只需 PresentationLoadOptions。示例幻灯片包含虚构的报告文本,而作者、标题和自定义引用存放在文档属性部分。该方法保存 PDF 和 PPTX,以便属性比较独立于幻灯片渲染。它不检查演讲者备注或嵌入对象。如果这些对你的交付过程重要,请在发布前单独审阅。

PresentationLoadOptions options = new PresentationLoadOptions();
options.setClearBuiltInDocumentProperties(clear);
options.setClearCustomDocumentProperties(clear);
String target = "Result/pptx-" + (clear ? "clean" : "retained");
try (Converter converter = new Converter("documents/report.pptx", () -> options)) {
    converter.convert(target + ".pdf", new PdfConvertOptions());
    converter.convert(target + ".pptx", new PresentationConvertOptions());
}

步骤 4:验证结果而非猜测

PropertyChecks 检查六个 Office 控制文件的属性部分。它搜索 Internal Review Team、Quarterly Review Draft 和 INTERNAL-REF-2610。保留的副本必须包含这些已知值,清理的副本必须省略它们。应用程序会为每个检查的文件打印 PASS 行,如果比较不符合预期则失败。此检查绑定于虚构的固定装置,而不是对任意元数据的发现与分类的断言。

我们还使用 Poppler 的 pdfinfo 检查了 PDF 的 Author 和 Title。三种 Office 源的清理导出中,这两个字段均已消失。生成的 Producer 字段仍然保留。该结果之所以有价值,正是因为它限定了声明的范围:请求的源属性已被移除,而 PDF 仍能标识生成软件。不要把它误认为是整个元数据字典完全为空的承诺。

完整可运行示例

OfficeMetadataDemo 是伴随 Maven 项目的入口点。它创建 Result/,分别以 false 和 true 运行所有三种转换方法,并调用 PropertyChecks。实用工具与特性方法分离,以保持转换代码片段的可读性。RUN.md 说明了如何在本地应用自己的许可证。所含文档为虚构内容,可在不依赖客户数据的情况下使用。

实际应用场景

客户报告交付

导出服务可以在报告获批后仅生成外部 PDF。将在该转换路径中应用属性策略,并将原始 Office 文档保留在内部位置。避免将保留的控制文件打包进客户交付包。它们仅用于让测试可观察。

混合 Office 提交

团队可能会收到叙述性报告、工作表和演示文稿摘要。为每种输入族使用相应的加载器,并始终如一地应用已记录的策略。我们会在代码中保持文件族决策的可见性,而不是从单一成功的 DOCX 示例推断支持。引入新模板时请添加代表性固定装置。

最佳实践与技巧

将清理和脱敏在需求中分开。先确定哪些属性用于溯源,再进行清除。将交付产出与内部控制分离存放,并将许可证设置视为本地配置。升级 SDK 时,重新运行保留和清理两种变体,以便在比较的任一侧发现意外变化。

常见问题排查

如果完整演示在评估模式下停止,请在本地副本中使用覆盖 26.10 的许可证并重新运行。若标记仍出现在可见文本中,则超出本属性存储检查的范围。若你的需求是清理 PDF 输入,请不要把它替换进本示例:在启用内置清理时,26.10 的一次单独检查因 CreationDate 为空而失败。本文测试的源范围仅限于 Office。

结论

从提供的固定装置开始,检查保留和清理后的配对。验证已命名的源属性,然后审阅实际的 PDF 内容。仅在比较表现符合预期后,才用已批准的模板替换固定装置。将导出策略紧贴加载选项,以便下一个开发者能够清晰看到哪些属性离开了系统。

其他资源