PDF Metadata Cleaner

Metadados escondidos no seu PDF

Todo PDF carrega um dicionário "Info" que a maioria das pessoas nunca vê. Campos comuns incluem o Autor (geralmente o nome de utilizador do sistema operativo), o Criador (Word, LibreOffice, etc.), o Produtor (a biblioteca PDF), e datas exactas de criação e modificação. Para muitos documentos isto é inofensivo; para um currículo, uma submissão judicial, ou um documento "anónimo", pode ser uma divulgação crítica.

O que esta ferramenta faz

O seu PDF é lido na memória do navegador usando pdf-lib. O dicionário Info é enumerado e exibido. Ao descarregar, geramos um novo ficheiro PDF com os campos selecionados limpos. O ficheiro original no seu disco fica intacto. Nada é enviado para servidores.

O que NÃO faz

• Não remove metadados XMP embutidos em object streams. A especificação do PDF tem dois sistemas paralelos de metadados: o dicionário Info (que limpamos) e, para a maioria dos ficheiros, é o mais ruidoso, e o dicionário XMP.
• Não remove conteúdo de texto, imagens ou comentários. Se a sua preocupação é texto oculto ou histórico de revisões, precisa de uma ferramenta mais agressiva.
• Invalida assinaturas digitais. Qualquer modificação aos bytes invalida a assinatura.

Mantenha sempre os dois ficheiros (original e versão limpa) até confirmar que nada essencial se perdeu.

O que não pode ser limpo (e porquê)

Alguns campos de metadados não podem ser removidos — só substituídos. Isto não é uma escolha nossa, é um limite da biblioteca PDF que utilizamos. Vale a pena perceber o que se passa:

Produtor (a assinatura da biblioteca PDF). Todo o PDF carrega um campo /Producer que nomeia o software que escreveu os bytes finais. Usamos uma biblioteca JavaScript chamada pdf-lib para ler o ficheiro e escrever a cópia limpa. Quando o pdf-lib guarda um PDF, carimba o próprio nome — pdf-lib (https://github.com/Hopding/pdf-lib) — no Produtor, sobrescrevendo o que estava lá. Não existe API pública para suprimir isto. Cirurgia byte-a-byte no resultado para apagar o Produtor arriscaria corromper PDFs que usam funcionalidades modernas de compressão (Object Streams), e a corrupção silenciosa é pior do que uma assinatura genérica. A fuga é pequena: ver "pdf-lib" diz que o ficheiro passou por uma biblioteca de código aberto; não o identifica, nem ao seu computador, nem ao histórico real do documento.

Data de criação e data de modificação. A especificação do PDF permite que estas datas estejam ausentes, mas o pdf-lib não produz um PDF sem elas — e mesmo que pudéssemos removê-las, a ausência em si é um sinal ("este ficheiro teve as datas removidas"). O caminho honesto é substituí-las por algo que não seja a sua data real. A ferramenta oferece duas estratégias:

• 1 de janeiro do ano original (predefinição). Mantém o ano do documento original e zera mês, dia e hora. Plausível — um PDF "de 2024" não levanta suspeita. Perde o detalhe ao nível do dia que um investigador poderia cruzar com outros acontecimentos.
• 1970-01-01 (Unix epoch). Totalmente neutro, mas cria um padrão reconhecível: quem analisar o ficheiro vai saber que passou por uma ferramenta de limpeza. Use quando preferir sinalizar "limpo" a revelar qualquer coisa específica.

Boa prática: mantenha os dois ficheiros

Descarregamos a versão limpa como seudocumento-limpo.pdf. O original permanece na sua máquina. Crie o hábito de guardar ambos, pelo menos temporariamente — se descobrir que a versão limpa estragou algo de que precisava (uma assinatura, os metadados de um campo de formulário), pode sempre voltar ao original.