办公文档去隐私元数据

为什么要清元数据

对外发 Word、标书、合同或照片前，文件里往往还挂着作者、公司名、最后修改者、创建/修改时间；PDF 的 Info 字典和 XMP 流、图片里的 EXIF（含 GPS、设备、拍摄时间） 更容易被忽略。纯文本虽无内嵌属性，但操作系统仍会留下创建/修改时间戳。这些字段不会出现在正文里，却可能在对方打开属性面板或做取证分析时暴露内部信息。

技能如何工作

本技能只改写属性区或对图片做重新封装，不改动文档正文、排版、图表或像素内容（JPEG 默认 quality=95，损失可忽略）。

• 多格式：.docx / .xlsx / .pptx 通过标准库改写 docProps/*；PDF 清理 Info、XMP 与生成器信息（依赖 pypdf）；图片用 Pillow 剥离 EXIF、PNG 文本块、ICC、Photoshop、XMP 等。
• 字段范围：Office 核心与扩展属性、自定义 custom.xml；PDF 作者/生产者/日期；图片 GPS 与设备信息。
• 批量与留痕：多文件一次处理，输出结构化 JSON 报告（每项清理结果、是否验证无残留、输出路径）。
• 可选 --reset-fs-time：将输出文件的文件系统时间戳统一设为固定日期，适合纯文本等场景。

默认在同目录生成 _cleaned 副本，不覆盖原件；也可指定输出目录或覆盖模式。

适用边界

页眉页脚或正文里手写的姓名、署名不会自动删除，需人工核对。旧版二进制 .doc 不支持，请先另存为 .docx。TIFF 为彻底去元数据会转存为 PNG。PDF 经重组后数字签名、注释锚点可能变化；覆盖模式不可逆，重要文件请先备份。