Eliminar los metadatos de un PDF

Todo PDF lleva un conjunto de propiedades que describen el documento y no su contenido, y las rellena automáticamente lo que sea que haya producido el archivo. El campo de autor toma el nombre de la cuenta que lo creó. Los campos de creador y productor registran la aplicación y la versión exactas. Las marcas de tiempo registran cuándo se hizo y cuándo se cambió por última vez, a veces con precisión de segundos.

Nada de eso se ve en la página, y casi nadie lo comprueba antes de compartir. Sin embargo, es trivialmente legible: un clic derecho en cualquier visor de PDF, o un buscador indexando el archivo. Hay documentos que han revelado el nombre real detrás de un envío anónimo, la identidad de un informante, y el hecho de que una propuesta supuestamente hecha a medida salió de una plantilla con el nombre de otro cliente todavía en el campo de autor.

El caso de la plantilla es el más habitual y el más discretamente embarazoso. Una respuesta a una licitación, un contrato o un informe generado a partir del archivo de un compañero hereda su nombre, lo que significa que tu documento le está diciendo a quien lo recibe quién lo escribió en realidad.

Los PDF guardan los metadatos dos veces, por motivos históricos. El diccionario de información del documento es el mecanismo original: una lista simple de título, autor, asunto, palabras clave, creador, productor y fechas. El paquete XMP es el enfoque más moderno, un bloque XML incrustado que suele repetir esos valores y puede llevar bastantes más, incluidas declaraciones de derechos e historial propio de cada herramienta.

Como existen los dos, una herramienta que borre solo uno deja el otro intacto, y los visores no coinciden en cuál muestran. Un documento puede por tanto parecer limpio en una aplicación y enseñar el nombre del autor en otra, que es precisamente el fallo que intentabas evitar.

Tratar los dos a la vez es la única forma de estar seguro. Y es también la razón por la que comprobar el resultado en un visor distinto del que usaste para limpiarlo es una costumbre razonable en cualquier cosa delicada.

Borrarlo todo es lo correcto cuando lo que importa es el anonimato: un envío anónimo, un documento salido de una plantilla, la revelación de un informante, cualquier cosa en la que la conexión entre el archivo y una persona no deba existir.

En los documentos publicados, unos valores bien pensados suelen ser mejores que unos vacíos. Un título relleno es lo que muestran los buscadores y lo que indexan los sistemas de gestión documental, así que dejarlo vacío hace tu informe más difícil de encontrar y menos profesional en una lista de descargas. Poner como autor a tu organización en lugar de a una persona te da la atribución sin exponer a nadie.

Un término medio práctico cubre la mayoría de los casos: conserva el título y el asunto, pon la organización como autor y borra el creador y el productor, que revelan qué programas usas y nada útil para nadie más.

Los metadatos son una de varias formas en que un documento dice más que sus páginas. El texto oculto bajo un rectángulo negro sigue en el archivo y se recupera copiándolo: Censurar PDF lo destruye de verdad, y ninguna limpieza de metadatos lo toca.

Las imágenes incrustadas desde un móvil llevan sus propios datos EXIF dentro del flujo de imagen, incluidas las coordenadas donde se tomó la fotografía. Un PDF construido a partir de fotografías puede por tanto llevar datos de ubicación a los que no llega una limpieza a nivel de documento; quítaselos a las imágenes antes de montar el PDF.

Y el nombre del archivo viaja con él sin pertenecer a ninguna de sus partes. Para cualquier cosa que se publique, revisar el nombre merece tanto la pena como revisar las propiedades.