如何在 C# 中删除 PDF 元数据：Sanitize 与仅作者清理

完整的工作示例可在 GitHub 上获取： strip-pdf-metadata-dotnet

介绍

PDF 元数据清理是 GroupDocs.Metadata 在 .NET 中的工作流，用于从 C# 服务中清除 PDF Info 字典和 XMP 身份字段。当合同 PDF 从内部磁盘离开时，作者、创建者、生成器、关键字以及 XMP 包往往会随之泄露。浏览器清理工具和一次快速的 Acrobat 处理看似成功，但 XMP 仍然保留原始作者信息。我在一次合作伙伴使用其他查看器打开文件后，发现“已清理”的草稿仍在 Author 字段中显示 Alice Example，于是发现了这个漏洞。

GroupDocs.Metadata 为 .NET 提供了同一 Metadata 对象的两种明确清理强度：Sanitize() 用于完整擦除检测到的所有包，RemoveProperties 用于在保留 Title 和 Subject 的同时去除人物身份信息。本文对这两种方法进行比较，并展示检查与验证步骤，以实现可审计的结果。

阅读完本文后，你将获得可运行的 .NET 8 示例、针对外发与归档友好清理的决策规则，以及一个验证谓词，用于检查 Author / Person.Creator 而不是在 Save 后因 PDF 引擎的 Creator/Producer 指纹而产生误报。

为什么 PDF 元数据清理很重要

对外文件共享、多租户下载以及受监管的归档都需要可重复的元数据删除 API，而不是依赖桌面点击。这种方式在以下场景尤为有价值：

• 合作伙伴门户：在 PDF 跨越信任边界前进行彻底擦除
• 记录检索：保留 Title/Subject，同时删除 Author 类字段
• 事件响应：在误共享后证明已删除 Author
• CI 门禁：当验证返回 false 时使构建失败

单行策略（“删除元数据”）会隐藏 Sanitize 与选择性删除之间的区别。在代码审查中明确强度，可防止因关键字被误删而影响归档检索。

前置条件

开始之前，请确保已具备：

• .NET 8 SDK
• GroupDocs.Metadata 26.8.0（临时许可证）
• 包含 Info 和/或 XMP 身份字段的 PDF 文件
• Visual Studio 2022 或 VS Code（可选）

安装

通过 NuGet 安装 GroupDocs.Metadata：

dotnet add package GroupDocs.Metadata --version 26.8.0

或从示例项目的 .csproj 中恢复。若要进行不受限制的 Save，请将环境变量 LIC_METADATA_VALID 设置为包含 GroupDocs.Metadata.Product.Family.lic 的文件夹路径。

方法 1 - 在清理前进行检查

先进行只读列举，以了解 PDF 实际携带了哪些字段。浏览器工具常常遗漏 XMP；此列表是前后对比的基准。

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}");
}

关键要点：

• 标签加名称：将标签检查与 Author / Keywords 的等值比较相结合，以兼容不同生产者的字段命名方式
• 不修改：适用于干运行模式和支持工单
• 共享过滤器：后续删除谓词可复用相同思路

方法 2 - 完全擦除所有检测到的元数据

当 PDF 必须在无任何作者痕迹的情况下离开时，使用 Sanitize()。该调用会清除已识别的所有包，包括 Info 字典字段和 API 检测到的 XMP，然后保存为新文件。

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

关键要点：

• 一次调用：适合对外路径的最小接触面
• 记录数量：运维人员可通过计数判断是已清理的输入还是大规模擦除
• 预期工具标记：Save 后，Creator/Producer 可能显示 PDF 引擎的 Tool.Software 值

最佳场景：合作伙伴下载、公开链接、跨租户交换。

方法 3 - 仅删除作者类属性

当 Title、Subject 和 Keywords 仍用于检索时，使用 RemoveProperties 只剥离人物身份信息，而不是擦除所有包。

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);

关键要点：

• 谓词可审查：代码审查时能清晰看到哪些身份字段被删除
• 描述性字段保留：Title/Subject/Keywords 仍然保留在此示例过滤器中
• 同一 SDK：无需额外库即可实现选择性路径

最佳场景：内部归档、流转草稿、禁止 Author 但允许关键字的政策。

如何在 Save 之后证明已删除 Author？

重新打开已清理的 PDF，仅搜索 Author / Person.Creator / Person.Editor。若全部不存在则输出 True。不要把残留的 Creator/Producer Tool.Software 指纹视为清理失败——Save 可能会用 PDF 引擎名称重新写入这些字段。此区分能够让 CI 中的合规检查保持可信，避免因引擎自带的工具字段产生误报。

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());

关键要点：

• 提问要点：“Author 是否已消失？”而不是“Creator 是否为空？”
• 二次打开：在 Save 之后再次检查，而非仅在内存中验证
• CI 友好：返回单一布尔值，便于测试和日志记录

在 Sanitize 与 RemoveProperties 之间的选择

strip-pdf-metadata-dotnet 是一个可运行的 .NET 示例，针对 Resources/contract-with-metadata.pdf 完成检查、完整擦除、选择性删除和验证四个步骤，便于在一次控制台运行中观察全部过程。

常见错误

• 仅依赖浏览器清理工具：XMP 往往会残留。
• 验证 Creator/Producer 名称：Save 后的引擎指纹会导致误判。
• 一次性固定谓词：新出现的生产者时需重新审视身份字段名称。
• 忽略 Save 的许可证配置：评估模式会阻止不受限制的写入；请设置 LIC_METADATA_VALID 以进行完整流水线测试。
• 跳过检查步骤：没有前置列表，就无法判断 Sanitize 删除了 7 个字段还是 0 个（因为文件本身已经干净）。

在示例文件 contract-with-metadata.pdf 上，带许可证运行时通常会在检查阶段打印 Author 和 Keywords，Sanitize 的删除计数约为 7，且 Author‑focused 验证返回 True。选择性作者删除的计数较小（约 3），而 Title 与 Subject 在二次检查时仍可见。

其他资源

• 用例：PDF 元数据的 Sanitize 与作者删除 (.NET)
• 文档：删除所有检测到的元数据包
• 文档：删除特定元数据属性
• GitHub：strip-pdf-metadata-dotnet
• API 参考

结论

在 .NET 上进行 PDF 元数据清理并非只有一个含糊的 API 调用。对外擦除请选择 Sanitize()，在需保留 Title 与 Subject 时使用 RemoveProperties，并始终在 Save 之后检查并验证 Author 类字段是否已被移除。克隆示例仓库，在提供的合同 PDF 上运行，然后将相同方法迁移到你的上传服务中，并在删除计数周围加入日志记录。