Trình chỉnh sửa siêu dữ liệu PDF miễn phí

Metadata PDF là gì?

Metadata PDF là thông tin về tài liệu không xuất hiện trong nội dung hiển thị. Nó bao gồm tiêu đề, tác giả, chủ đề, từ khóa, ngày tạo và các thuộc tính khác. Thông tin này giúp tổ chức, tìm kiếm và xác định tài liệu.

Tại sao chỉnh sửa metadata PDF?

• Tổ chức · đặt metadata nhất quán trên các tài liệu của bạn để phân loại và tìm kiếm tốt hơn.
• Tính chuyên nghiệp · đảm bảo tài liệu của bạn hiển thị đúng tác giả và tiêu đề.
• SEO & khả năng khám phá · từ khóa trong metadata giúp khả năng khám phá.
• Sửa thuộc tính · sửa thông tin tác giả, tiêu đề hoặc chủ đề bị sai hoặc thiếu.

Câu hỏi thường gặp

Sửa metadata có thay đổi nội dung PDF không?

Không. Chỉ metadata được sửa đổi. Nội dung, trang và bố cục của PDF vẫn giữ nguyên hoàn toàn.

Tôi có thể sửa metadata của PDF được mã hóa không?

Nếu PDF được bảo vệ bằng mật khẩu, bạn không thể sửa đổi metadata của nó với công cụ này. Tệp phải được mở khóa trước.

Giới hạn kích thước tệp là bao nhiêu?

Công cụ này hỗ trợ PDF lên đến 10 MB. Các tệp lớn hơn có thể mất nhiều thời gian xử lý hơn.

PDF metadata thực sự là gì

Một file PDF có thể mang metadata cấp tài liệu ở hai nơi cùng một lúc. Cơ chế gốc, có từ PDF 1.0 (1993), là Document Information Dictionary (gọi là «DocInfo» hay /Info): một đối tượng key/value được tham chiếu từ phần trailer của PDF. PDF 1.4 (2001) đã thêm một cơ chế thứ hai giàu tính năng hơn, một luồng XMP metadata, một gói XML (RDF/XML tuân theo eXtensible Metadata Platform của Adobe) được nhúng dưới dạng đối tượng luồng gắn vào catalog tài liệu. XMP trở thành tiêu chuẩn ISO mở vào năm 2012 (ISO 16684-1).

Hai kho lưu trữ không giống nhau và có thể không nhất quán. Tài liệu tham chiếu của Adobe và các tiêu chuẩn ISO 32000 đều nói XMP được ưu tiên khi có mặt, và DocInfo nên được coi là bản sao legacy. Trong ISO 32000-2 (PDF 2.0), từ điển DocInfo cũ hơn chính thức bị deprecated đối với mọi thứ trừ CreationDate và ModDate (mà các trình xử lý chữ ký vẫn dùng). Trong thực tế, hầu hết mọi trình đọc (Adobe Acrobat, Foxit, Preview trên macOS, các trình xem trong trình duyệt) đọc DocInfo theo mặc định và chỉ dùng XMP cho các trường như bản quyền mà DocInfo chưa bao giờ hỗ trợ.

Các trường DocInfo chuẩn là Title, Author, Subject, Keywords, Creator (ứng dụng tạo ra tài liệu gốc, ví dụ «Microsoft Word»), Producer (ứng dụng tạo ra PDF thực tế, ví dụ «Adobe PDF Library 17.0»), CreationDate, ModDate (ở định dạng ngày PDF như D:20240315093000-04'00'), và Trapped. XMP tổ chức các trường thành các namespace: Dublin Core có dc:title, dc:creator, dc:rights, dc:language; XMP-MM có DocumentID, InstanceID, và nhật ký chỉnh sửa History; các dấu tuân thủ PDF/A và PDF/UA; và bất kỳ namespace tùy chỉnh nào mà một công cụ muốn thêm. Trình chỉnh sửa này hiển thị trực tiếp các trường DocInfo được dùng nhiều nhất; các trường chỉ có trong XMP cần một trình chỉnh sửa chuyên dụng hơn.

Lịch sử ngắn gọn

PDF bắt đầu với bản ghi nhớ nội bộ Adobe năm 1991 của John Warnock (bài báo «Camelot») đề xuất một định dạng tài liệu di động bảo toàn độ chính xác trực quan trên nhiều thiết bị. Adobe ra mắt PDF 1.0 cùng Acrobat 1.0 vào năm 1993; từ điển DocInfo đã có từ ngày đầu tiên. Qua những năm 1990 và đầu những năm 2000, định dạng đã thêm mã hóa, siêu liên kết, biểu mẫu, JavaScript, độ trong suốt, khả năng truy cập tagged-PDF (PDF 1.4, 2001), và cơ chế XMP metadata (cũng PDF 1.4). PDF/A (tập hợp con lưu trữ bắt buộc nhúng XMP và cấm mã hóa) được phê duyệt là ISO 19005-1 năm 2005. Adobe chuyển giao PDF cho ISO năm 2008, nơi PDF 1.7 trở thành ISO 32000-1:2008. ISO 32000-2:2017 công bố PDF 2.0, với thay đổi metadata lớn là việc deprecated DocInfo để ủng hộ XMP. Bản sửa đổi năm 2020 và việc PDF Association phát hành miễn phí thông số kỹ thuật vào tháng 4 năm 2023 có nghĩa là tiêu chuẩn hiện có thể truy cập công khai.

Vấn đề quyền riêng tư, những gì PDF tiết lộ

Một PDF được tạo bởi phần mềm văn phòng thông thường tiết lộ nhiều hơn đáng kể về nguồn gốc của nó so với hầu hết người dùng nhận ra. Từ một PDF duy nhất bạn thường có thể trích xuất:

• Tên đầy đủ của tác giả. Microsoft Word ghi Author từ tài khoản Office của người dùng hoặc tên người dùng Windows đã đăng ký tại thời điểm cài đặt. LibreOffice ghi tên họ của người dùng từ cài đặt dữ liệu người dùng. Pages trên macOS sử dụng «Full Name» của hệ thống. Một PDF được lưu từ bất kỳ ứng dụng nào trong số đó đều tự động kế thừa giá trị được nhúng.
• Toàn bộ lịch sử chỉnh sửa. xmpMM:History của XMP ghi lại mỗi sự kiện lưu và chuyển đổi với dấu thời gian, tên phần mềm và UUID phiên, tạo ra một nhật ký sửa đổi một phần của tài liệu.
• Nhận diện phần mềm đến phiên bản và bản dựng. Trường Producer thường đọc như «Microsoft® Word for Microsoft 365» hoặc «Adobe PDF Library 17.00.6» hoặc «Skia/PDF m120» (print-to-PDF của Chrome). Điều này xác định hệ điều hành và mức vá lỗi của máy trạm.
• Dấu thời gian tạo + dấu thời gian chỉnh sửa + khoảng cách giữa chúng. Khoảng cách 4 giây cho thấy print-to-PDF; khoảng cách 45 phút cho thấy chỉnh sửa đáng kể. Cùng nhau, chúng có thể xác định khi nào, ở đâu và ai đã tạo ra tài liệu.
• EXIF hình ảnh nhúng. Khi một hình ảnh mang tọa độ GPS trong EXIF được kéo vào tài liệu Word hoặc InDesign và xuất sang PDF, luồng hình ảnh cơ bản thường giữ lại các thẻ EXIF, bao gồm vĩ độ và kinh độ. ExifTool sẽ trích xuất chúng ngay cả từ các hình ảnh «nhúng».
• Chú thích track-changes. Các PDF được xuất từ Word với «Show Markup» được bật nhúng tên viết tắt của người xem xét và dấu thời gian vào các luồng chú thích (về mặt kỹ thuật là nội dung chứ không phải metadata, nhưng thường vô hình cho đến khi trình đọc mở rộng bảng bình luận).

Các trường hợp thực tế đáng chú ý

• Hồ sơ tòa án Manafort (tháng 1 năm 2019): các luật sư bào chữa của Paul Manafort đã nộp một tài liệu tòa án sử dụng các hình chữ nhật che phủ PDF vẽ lên văn bản. Bản thân văn bản không bị chạm đến trong luồng nội dung và được các phóng viên trích xuất trong vài giờ bằng thao tác copy-paste cơ bản, tiết lộ các tuyên bố rằng Manafort đã chia sẻ dữ liệu thăm dò của Mỹ với một cộng sự liên quan đến tình báo Nga. Metadata đi kèm cũng nêu tên máy tính và phần mềm của hãng luật đã tạo ra nó.
• Tài liệu «dodgy dossier» của chính phủ Anh (tháng 2 năm 2003): tài liệu «Iraq, Its Infrastructure of Concealment, Deception and Intimidation» có metadata lịch sử chỉnh sửa nêu tên bốn tác giả, bao gồm một nghiên cứu sinh người Mỹ có luận văn năm 2002 đã bị sao chép vào. Dấu vết tác giả ẩn trong tài liệu Word là bằng chứng quyết định.
• Hướng dẫn bảo mật TSA (tháng 12 năm 2009): TSA đã công bố phiên bản được che phủ của Quy trình Hoạt động Tiêu chuẩn sàng lọc hành khách. Các phần che phủ là các lớp hình ảnh chồng lên văn bản gốc trong PDF; văn bản cơ bản có thể trích xuất được. Toàn bộ tài liệu, bao gồm tên các chính phủ đồng minh mà công dân của họ được sàng lọc nâng cao, đã bị rò rỉ.
• «Author: tên hãng luật đối thủ»: các sự cố lặp đi lặp lại tại các hãng luật nơi các tóm tắt PDF gửi ra ngoài bao gồm tên hãng luật đối thủ trong trường Author, vì ai đó đã sao chép từ PDF khám phá vào tài liệu Word mới và tài liệu đích kế thừa tác giả của nguồn. Nhiều hãng hiện yêu cầu «Document Inspector» của Word hoặc «Sanitize Document» của Acrobat trước bất kỳ lần gửi ra ngoài nào.

Phạm vi trung thực của công cụ này

Trình chỉnh sửa này cho phép bạn xem và ghi đè các trường DocInfo chuẩn. Nó thực sự hữu ích để dọn dẹp tên tác giả trước khi gửi tài liệu ra ngoài, sửa metadata tiêu đề sai đang gây nhầm lẫn cho hệ thống quản lý tài liệu của bạn, hoặc xóa dấu vân tay máy trạm khỏi thông cáo báo chí. Nó không phải là một bộ khử trùng hoàn chỉnh. Cụ thể:

• EXIF hình ảnh bên trong ảnh nhúng vẫn có thể mang tọa độ GPS và thông tin máy ảnh.
• Track-changes và bình luận của người xem xét được lưu dưới dạng chú thích không bị xóa.
• Văn bản ẩn dưới các hình chữ nhật «che phủ» vẫn có thể trích xuất, việc vẽ một hình chữ nhật đen lên văn bản không xóa văn bản khỏi luồng nội dung của PDF. Đây là nguồn phổ biến nhất của việc tiết lộ thông tin không cố ý.
• Nhật ký chỉnh sửa xmpMM:History trong luồng XMP không nhất thiết được xóa.
• Các tập hợp con font nhúng có thể nhận dạng máy trạm nguồn nếu các font không phổ biến được sử dụng.
• Các chấm theo dõi máy in (các mẫu microdot màu vàng mà hầu hết máy in laser màu nhúng) là cấp độ nội dung và không bị ảnh hưởng bởi chỉnh sửa metadata, vụ Reality Winner (tháng 6 năm 2017) phụ thuộc vào điều này.

Để hoàn thiện việc khử trùng trên tài liệu nhạy cảm, các công cụ phù hợp là lệnh «Sanitize Document» của Adobe Acrobat Pro, tiện ích dòng lệnh mã nguồn mở cpdf với tùy chọn -remove-metadata, hoặc lệnh -all= của ExifTool theo sau là kiểm tra thủ công. Các quy trình nhạy cảm thường tái tạo tài liệu từ văn bản thuần túy được trích xuất thay vì cố gắng làm sạch bản gốc.

Các công cụ xem metadata

• Adobe Acrobat: File → Properties. Hiển thị các trường DocInfo và bảng «Additional Metadata» riêng biệt cho gói XMP.
• ExifTool (Phil Harvey), tiêu chuẩn vàng cho dòng lệnh. exiftool file.pdf in mọi thứ; exiftool -all= file.pdf xóa mọi thứ.
• pdfinfo (một phần của poppler-utils), kết xuất CLI nhanh của DocInfo cộng với chi tiết cấp trang.
• pdf.js / PDF.js (thư viện Firefox dùng để render PDF) hiển thị metadata qua doc.getMetadata() để đọc phía trình duyệt.
• pdf-lib: thư viện JavaScript cung cấp sức mạnh cho lần chỉnh sửa của công cụ này; hiển thị setTitle(), setAuthor(), v.v., và ghi lại một PDF hoàn toàn tuân thủ.

Khi nào bạn cần đến công cụ này

• Dọn dẹp tên tác giả/người tạo trước khi gửi tài liệu ra ngoài tổ chức của bạn.
• Đặt metadata tiêu đề nhất quán cho một loạt tài liệu sẽ xuất hiện trong hệ thống quản lý tài liệu hoặc danh mục thư viện.
• Thêm từ khóa cho các hệ thống tìm kiếm toàn văn bản nội bộ sử dụng chúng làm tăng khả năng khám phá.
• Sửa tiêu đề sai khi «save-as PDF» kế thừa tên file gây nhầm lẫn.
• Khẳng định bản quyền / giấy phép qua trường Author và (đối với các công cụ xử lý XMP) trường dc:rights.
• Khử trùng quyền riêng tư nhanh cho các tài liệu thông thường, mặc dù xem cảnh báo về phạm vi ở trên đối với các trường hợp rủi ro cao.

Thêm câu hỏi

Tại sao các chỉnh sửa của tôi đôi khi xuất hiện trong DocInfo nhưng không trong XMP (hoặc ngược lại)?

Vì PDF mang cả hai kho lưu trữ và chúng có thể không nhất quán. Trình chỉnh sửa này ghi vào DocInfo (trường mà mọi trình đọc kiểm tra). XMP được cập nhật cho các trường có tương đương DocInfo rõ ràng. Một số trình xem (Adobe Acrobat đặc biệt) đọc XMP trước; nếu bạn thấy metadata «cũ» sau khi chỉnh sửa, hãy mở tài liệu bằng một trình đọc khác để xác nhận xem vấn đề chỉ có trong XMP hay trình đọc của bạn chỉ đang cache phiên bản cũ.

Công cụ này có làm hỏng chữ ký số không?

Có, hầu như luôn luôn. Chữ ký số trên PDF bảo vệ toàn bộ tài liệu bao gồm cả metadata; việc sửa đổi bất kỳ byte nào phá vỡ xác minh mật mã của chữ ký. Nếu bạn cần chỉnh sửa metadata trên PDF đã ký, bạn sẽ cần hoặc xóa chữ ký trước (với sự cho phép của người ký), chỉnh sửa metadata, và ký lại; hoặc áp dụng các thay đổi metadata trước khi ký trong quy trình gốc.

Còn các file PDF/A lưu trữ thì sao?

Các file PDF/A có yêu cầu XMP bổ sung (các dấu pdfaid:part và pdfaid:conformance, cộng với các trường Dublin Core bắt buộc). Chỉnh sửa DocInfo của PDF/A mà không cập nhật gói XMP có thể về mặt kỹ thuật đưa file ra ngoài tuân thủ PDF/A. Đối với các quy trình lưu trữ, hãy dùng trình chỉnh sửa hiểu PDF/A như Acrobat Pro hoặc veraPDF.

Làm thế nào để tạo PDF «hoàn toàn ẩn danh»?

Đối với tài liệu thông thường: chỉnh sửa DocInfo ở đây để xóa các trường nhận dạng, sau đó chạy kết quả qua «Sanitize Document» của Acrobat hoặc cpdf -remove-metadata. Đối với việc ẩn danh hóa rủi ro cao (tố cáo, báo chí, tiết lộ pháp lý): tái tạo PDF từ đầu trên một máy khác chỉ sử dụng văn bản thuần túy được trích xuất, không có hình ảnh từ bản gốc. In-và-quét lại cũng hoạt động (lớp OCR của PDF được quét lại được tạo mới), với chi phí là kích thước file và chất lượng hình ảnh.

Có gì được gửi lên máy chủ không?

Không. PDF được phân tích cú pháp và ghi lại bởi pdf-lib chạy cục bộ trong trình duyệt của bạn; file đã chỉnh sửa được tải xuống thẳng đến thiết bị của bạn. Không có gì về PDF của bạn rời trang, hữu ích khi tài liệu chứa tên tác giả nội bộ, thông tin khách hàng hoặc dòng tiêu đề bí mật mà bạn không muốn tải lên dịch vụ bên thứ ba. Thư viện pdf-lib tải từ CDN công khai một lần với xác minh subresource-integrity, sau đó được lưu vào cache.

Công cụ liên quan