Pourquoi y a-t-il deux systèmes de métadonnées différents dans un PDF ?

Pour des raisons historiques. Le dictionnaire Document Info existe depuis les premières versions du format et se compose de simples paires clé-valeur. XMP a quant à lui été développé au début des années 2000 pour répondre au besoin de métadonnées riches et extensibles dans les fichiers multimédias, puis ajouté au PDF. L'ancien système a été conservé pour la compatibilité ascendante, les deux coexistent donc côte à côte.

Si les deux systèmes contiennent des valeurs différentes, laquelle fait foi ?

La norme recommande de donner la priorité à XMP en cas de conflit, mais les logiciels sont inconstants sur ce point. Certaines visionneuses affichent le Document Info, d'autres lisent XMP, d'autres encore prennent celui qui est rempli. C'est pourquoi il faut traiter les deux lors d'un nettoyage des métadonnées — en effacer un et laisser l'autre signifie que l'information continuera d'apparaître dans certains logiciels.

Comment le bloc XMP est-il présent dans le fichier, est-il compressé ?

XMP est généralement intégré au fichier en XML texte brut non compressé. La raison en est de permettre la lecture des métadonnées sans analyser complètement le fichier — les systèmes de recherche et d'indexation peuvent parcourir le fichier et y trouver le paquet XMP. Conséquence pratique : si vous ouvrez un PDF dans un éditeur de texte, vous pouvez lire le contenu XMP.

Qu'exige le format d'archivage PDF/A en matière de métadonnées ?

Le PDF/A rend obligatoire la présence de métadonnées XMP et exige qu'elles contiennent un identifiant particulier indiquant à quel niveau de PDF/A le document se conforme. Il attend en outre que les valeurs du dictionnaire Document Info soient cohérentes avec leurs équivalents XMP. Nettoyer sans précaution les métadonnées d'un document PDF/A peut donc rompre sa conformité.

Que sont les métadonnées PDF ? Différence entre XMP et Document Info

Un fichier PDF contient une couche d'information qui n'apparaît jamais sur les pages : qui l'a créé, avec quel logiciel, quand, sur quel sujet. Cette couche est en réalité constituée non pas d'un mais de deux systèmes distincts, qui peuvent se contredire. Dans cet article, nous expliquons la structure des métadonnées PDF, pourquoi ces deux systèmes coexistent et ce que cela signifie pour la confidentialité.

Première couche : le dictionnaire Document Info

C'est la structure simple qui existe depuis les premières versions du PDF. Il s'agit d'un dictionnaire désigné par la clé /Info dans la section trailer du fichier, contenant des paires clé-valeur :

<< /Title (Rapport annuel d'activite)
   /Author (Marie Durand)
   /Subject (Exercice 2025)
   /Keywords (rapport, financier, 2025)
   /Creator (Microsoft Word)
   /Producer (Adobe PDF Library 17.0)
   /CreationDate (D:20250312143022+01'00')
   /ModDate (D:20250315091544+01'00')
>>

La signification des champs :

| Clé | Signification | |---|---| | /Title | Le titre du document | | /Author | L'auteur | | /Subject | Le sujet | | /Keywords | Les mots-clés | | /Creator | L'application source qui a créé le document (Word, InDesign) | | /Producer | La bibliothèque qui l'a converti en PDF | | /CreationDate | Le moment de la création | | /ModDate | Le moment de la dernière modification |

La distinction entre /Creator et /Producer prête souvent à confusion mais elle est logique : vous avez rédigé le document dans Word (Creator), et le moteur PDF de Word ou une extension l'a converti en PDF (Producer). Les deux donnent une information différente, et les deux portent une trace de vous.

Le format de date est également notable : l'expression D:20250312143022+01'00' signifie 12 mars 2025, 14:30:22, fuseau UTC+1. L'information de fuseau horaire est un indice sur la zone géographique où vous avez préparé le document.

Les limites de ce système sont nettes : la liste des champs est figée, il ne peut pas transporter de données structurées, ni d'information de langue, ni de valeurs multiples.

Deuxième couche : le paquet XMP

Au début des années 2000, XMP (Extensible Metadata Platform) a été développé pour répondre au besoin de métadonnées riches et extensibles dans les fichiers multimédias (photo, vidéo, document). Il a ensuite été ajouté au PDF.

XMP est une structure fondée sur XML, présente dans le fichier sous forme de flux intégré :

<x:xmpmeta xmlns:x="adobe:ns:meta/">
 <rdf:RDF xmlns:rdf="http://www.w3.org/1999/02/22-rdf-syntax-ns#">
  <rdf:Description rdf:about=""
    xmlns:dc="http://purl.org/dc/elements/1.1/">
   <dc:title>
    <rdf:Alt>
     <rdf:li xml:lang="fr">Rapport annuel d'activite</rdf:li>
     <rdf:li xml:lang="en">Annual Report</rdf:li>
    </rdf:Alt>
   </dc:title>
   <dc:creator>
    <rdf:Seq><rdf:li>Marie Durand</rdf:li></rdf:Seq>
   </dc:creator>
  </rdf:Description>
 </rdf:RDF>
</x:xmpmeta>

Ce qu'apporte XMP :

Des valeurs multilingues. Le titre peut être stocké à la fois en français et en anglais.
Plusieurs auteurs. Plusieurs auteurs peuvent être conservés dans une liste ordonnée.
L'extensibilité. Grâce aux espaces de noms, toute organisation peut ajouter ses propres champs.
Des vocabulaires standard. On emploie des schémas établis comme le Dublin Core (dc:), l'IPTC pour la photographie ou XMP Rights pour la gestion des droits.

XMP est généralement intégré au fichier en texte brut non compressé. C'est un choix délibéré : pour que les systèmes de recherche et d'indexation puissent trouver et lire le paquet XMP sans analyser entièrement le fichier. Conséquence pratique : en ouvrant un PDF dans un éditeur de texte, vous pouvez lire le contenu XMP.

Quand les deux systèmes se contredisent

Beaucoup de PDF transportent les deux couches et les valeurs peuvent ne pas concorder :

Un logiciel met à jour le Document Info sans toucher au XMP.
Un autre met à jour le XMP en laissant l'ancien.
Un nettoyeur de métadonnées n'efface que l'un des deux.

La norme recommande de donner la priorité à XMP en cas de conflit. Mais les logiciels sont inconstants : certaines visionneuses affichent le Document Info, d'autres lisent XMP, d'autres prennent celui qui est rempli.

Les conséquences pour la confidentialité sont sérieuses. Si vous avez effacé le nom de l'auteur dans le Document Info en le laissant dans XMP, le document paraît propre dans la fenêtre des propriétés, mais votre nom ressort dès qu'un autre outil le lit. C'est la cause la plus fréquente des histoires du type « je croyais avoir nettoyé les métadonnées ».

Un nettoyage fiable doit traiter les deux. Pour vérifier, une méthode grossière mais efficace : ouvrir le fichier nettoyé dans un éditeur de texte (sans l'enregistrer) et y chercher des expressions comme xmpmeta, dc:creator ou dc:title.

Ce que révèlent les métadonnées

Des indices concrets :

L'identité. Les champs /Author et dc:creator sont le plus souvent remplis automatiquement à partir de votre nom d'utilisateur système. Dans un document envoyé anonymement, c'est une divulgation directe de votre identité.

Un résidu de modèle. Si vous avez repris un devis d'un fichier préparé pour un client précédent, le titre peut encore porter le nom de ce client.

La chronologie. CreationDate et ModDate montrent le véritable processus de préparation du document. L'information de fuseau horaire constitue en outre un indice géographique.

Le profil logiciel. Le champ /Producer indique quelle bibliothèque et quelle version vous employez. Cela renseigne sur votre chaîne de travail institutionnelle.

Des champs institutionnels. Certains producteurs de PDF d'entreprise ajoutent, via des espaces de noms XMP personnalisés, des champs comme un code de service, un niveau de classification ou un numéro de référence interne.

PDF/A et l'obligation de métadonnées

Le format PDF/A, conçu pour l'archivage de longue durée, impose des règles strictes en matière de métadonnées :

XMP est obligatoire. Le document doit transporter un paquet XMP.
Un identifiant de conformité est requis. Le niveau de PDF/A respecté doit être indiqué dans XMP via les champs pdfaid:part et pdfaid:conformance.
La cohérence est attendue. Les valeurs du Document Info doivent concorder avec leurs équivalents XMP.
Les schémas personnalisés doivent être déclarés. Si des champs XMP non standard sont employés, leur schéma doit être décrit dans le fichier.

Conséquence pratique : nettoyer sans précaution les métadonnées d'un document PDF/A rompt sa conformité. Le fichier que vous envoyez au système d'archivage échouera au test de validation. Lors de l'édition des métadonnées d'un document PDF/A, il faut préserver les champs de conformité.

Là où les métadonnées n'atteignent pas

Il est important de clarifier les limites du nettoyage des métadonnées, car un faux sentiment de sécurité est dangereux :

Le contenu des pages. Les métadonnées sont des informations sur le document ; elles n'affectent rien de ce qui est écrit sur la page. Si votre nom figure à la page 3, il y reste.

Le contenu masqué. Un texte recouvert d'un rectangle noir fait partie du contenu de la page et n'est pas retiré par le nettoyage des métadonnées. Un caviardage est nécessaire.

Les fichiers intégrés. Les PDF peuvent transporter des pièces jointes (tableur source, annexes). Ce sont des objets distincts.

Les données des champs de formulaire. Les valeurs d'un formulaire rempli résident dans la structure AcroForm. Un aplatissement est nécessaire.

L'historique des versions. Dans un PDF utilisant les mises à jour incrémentales, les versions antérieures peuvent subsister. Une opération réécrivant intégralement le fichier est nécessaire.

Les polices intégrées. Plus rarement, certaines polices intégrées portent dans leurs propres métadonnées le nom du titulaire de la licence.

Le côté utile des métadonnées

Nous n'avons parlé jusqu'ici que de risques, mais les métadonnées ont aussi de véritables bénéfices :

La gestion documentaire institutionnelle. Les systèmes qui gèrent des milliers de documents les indexent, les classent et les recherchent d'après leurs métadonnées. Des champs correctement remplis déterminent la qualité de l'archive.

La visibilité sur le web. Le champ titre s'affiche dans l'onglet du navigateur et dans certains résultats de recherche. Laissé vide, c'est le nom du fichier qui apparaît (« rapport_final_v3_DEF.pdf »), ce qui ne fait pas professionnel.

La gestion des droits. Le schéma XMP Rights permet d'intégrer au document l'information de copyright, les conditions d'utilisation et un contact.

L'archivage de longue durée. L'obligation de métadonnées du PDF/A sert précisément à cela : que celui qui trouvera le fichier dans cinquante ans puisse comprendre de quoi il s'agit à partir du fichier lui-même.

En résumé

Les métadonnées PDF forment une structure à deux couches : l'ancien et simple dictionnaire Document Info, et le riche paquet XMP fondé sur XML. Les deux coexistent, peuvent se contredire, et différents logiciels lisent l'un ou l'autre — c'est pourquoi un nettoyage à des fins de confidentialité doit impérativement traiter les deux. Les métadonnées portent de véritables indices vous concernant, du nom de l'auteur au fuseau horaire, et comme la plupart sont remplies automatiquement, elles se partagent à votre insu. En contrepartie, des métadonnées correctement remplies constituent un atout précieux pour les documents publiés sur le web et archivés ; le PDF/A les rend même obligatoires. Et une limite à ne pas oublier : nettoyer les métadonnées ne touche ni au contenu des pages, ni aux fichiers intégrés, ni à l'historique des versions.