工作中经常要把PDF文件发给别人，内部报告、方案文档、标书……发之前都会检查一遍内容，但很少注意到元数据这件事。

有一次发出去之后，别人问："这文档是你们谁写的？电脑名怎么还带着呢？"

当时愣了一下，打开PDF属性一看，作者一栏写的是我电脑的登录名，创建时间精确到秒，制作工具显示的是我装的Adobe版本——这些信息PDF转换工具根本不会处理，自己也从来没想过要清掉。

利用周末，用Python写了这个PDF元数据清除工具，只依赖pikepdf，不到300行代码，导入就能用。

PDF元数据到底包含什么

很多人不知道，PDF文件不只是内容，还有一堆隐藏的"身份信息"：

• /Author
  ：作者姓名
• /Creator
  ：创建工具，比如"Microsoft Word"或者"Adobe Acrobat"
• /Producer
  ：制作工具，PDF生成软件信息
• /CreationDate
  ：创建时间，精确到秒
• /ModDate
  ：最后修改时间
• /Title / Subject / Keywords
  ：标题、主题、关键字

这些字段在PDF标准里叫DocInfo，大部分PDF阅读器右键"属性"里都能看到。有些商业场景下，这些信息暴露出去会带来麻烦——内部文档被看出是谁创建的，或者通过创建时间推断出工作流程。

一个免费的PDF软件应该把这个功能做进去，而不是让用户去找专门的工具。

为什么选pikepdf而不是其他库

Python处理PDF的库有好几个，最终选了pikepdf，有三个原因：

不改内容只改元数据。有些库在处理过程中会改变PDF的渲染效果，pikepdf是底层操作，只动元数据不动内容，文件不会"变样"。

对中文兼容好。pikepdf内部用UTF-8处理字符串，中文文档不会出现乱码。

API设计清晰。读元数据用open_metadata()，写用with块自动保存，逻辑很干净。

pip安装一行搞定：

pip install pikepdf

元数据分两层：XMP和DocInfo

这是踩完坑才明白的一件事。

PDF的元数据存在两个地方：XMP（XML元数据）和DocInfo（文档信息字典）。大部分PDF两个地方都有，而且pikepdf的save()方法在保存时会重新写入DocInfo——所以单清一次不够，要清两次。

第一次在with块里清XMP，同时清DocInfo；第二次重新打开文件再清一遍XMP残留和pikepdf自动写入的字段：

# 第一次：清XMP + 清DocInfowith pdf.open_metadata() as xmp:for k in list(xmp.keys()):del xmp[k]if pdf.docinfo:for key in list(pdf.docinfo.keys()):del pdf.docinfo[key]pdf.save(_save, compress_streams=True)# 第二次：清残留_p2 = pikepdf.open(_save, allow_overwriting_input=True)with _p2.open_metadata() as _x2:for _k in list(_x2.keys()):del _x2[_k]_p2.save(_save, compress_streams=True)

这个两次清理的逻辑是踩了"第一次没清干净"的坑才写出来的，后来发现pikepdf的官方文档里也提到了这个问题。

指定保留某些字段

有时候不需要全清——比如标题想留着，其他的全清掉。

preserve_keys参数解决了这个需求：

result = tool.remove_metadata("报告.pdf","报告_干净版.pdf",    preserve_keys=["/Title"] # 只保留标题)

内部会保留DocInfo里指定的key，只删其他的。对于需要保留文档标题的业务场景，这个功能很实用。

批量处理：normalize_path处理拖放路径

批量处理时有个容易忽略的问题：Windows上拖放文件到命令行，路径会带引号，有时候路径分隔符也会变。

normalize_path静态方法统一处理这种情况：

normalized = PDFRemoveMetadata.normalize_path(raw_path)# 去掉首尾空白和引号# Windows反斜杠转成正斜杠再转回正确路径

这个方法是给自己用的，写完库之后顺手加的，后来发现处理同事发过来的路径时确实省了不少麻烦。

完整代码结构

整个Python项目的结构很清晰：

classPDFRemoveMetadata:defget_metadata(path)# 读取全部元数据defprint_metadata(path)# 打印可读摘要defremove_metadata(...)# 清除元数据defbatch_remove(...)# 批量处理    @staticmethod normalize_path(raw) # 路径规范化METADATA_KEYS_ZH = { # 中文对照表"/Author": "作者","/CreationDate": "创建日期",    ...}

不到300行代码，导入方式：

from pdf_remove_metadata import PDFRemoveMetadatatool = PDFRemoveMetadata(verbose=True)tool.print_metadata("文件.pdf")success, out = tool.remove_metadata("文件.pdf")

这个Python小项目也是pyqt5教程的一部分——Python从入门到实践，最好的方式就是动手解决一个真实的痛点。元数据清除这件事不大，但做完了对PDF标准的理解也更深了一层。

下篇说说怎么把这个库做成一个完整的免费PDF软件界面，拖入文件、选设置、点清除，一气呵成。

📌 今日话题

你发PDF给别人之前，会检查元数据吗？

是从来不管，还是会专门清理一遍？

A.从来不管，不知道还有这回事

B.偶尔想起来会看一下

C.每次都会清理

D.用什么工具清理的？

评论区说说👇

往期小工具