Où se cachent les données invisibles
Un PDF est un conteneur, et la page visible n'est qu'une partie de ce qu'il transporte. Des documents ont fui depuis chacun des endroits ci-dessous alors que la page elle-même était parfaitement caviardée : c'est pourquoi retirer le texte de la page est nécessaire mais ne clôt pas le travail.
Propriétés du document et XMP
Tout PDF possède un bloc de propriétés — titre, auteur, sujet, mots-clés, producteur, dates de création et de modification — rempli par le logiciel qui l'a fabriqué. Le champ auteur porte couramment un nom réel ou un identifiant réseau. Le titre porte fréquemment le nom de fichier d'origine, lequel, en contexte professionnel, porte souvent un nom de client ou un numéro de dossier. À côté, beaucoup de fichiers portent un **paquet XMP** : des métadonnées structurées pouvant contenir un historique plus long, avec titres antérieurs et outils de création. Aucun des deux n'est visible sur la page et les deux voyagent avec le fichier.
Annotations, commentaires et champs de formulaire
Commentaires, notes, surlignages et marques de relecture sont stockés à part du contenu de page et se lisent trivialement. Les champs de formulaire sont pires : un champ rempli conserve sa valeur **en tant que donnée**, si bien qu'un formulaire qui paraît vide peut encore porter ce qui y a été tapé. Et une annotation retirée visuellement n'est parfois que marquée masquée plutôt que supprimée.
Pièces jointes, calques et ce qui est hors écran
Les PDF peuvent porter des fichiers intégrés — un tableur joint à un rapport est le cas typique — qui n'apparaissent sur aucune page et s'extraient d'un clic. Les groupes de contenu optionnel, que la plupart connaissent comme calques, peuvent contenir du matériel désactivé à l'affichage et pleinement présent dans le fichier. Du contenu peut aussi se trouver hors de la zone visible : rogner change la boîte de page, cela ne supprime pas ce qui dépasse, et annuler le rognage est une entrée de menu.
Enregistrements incrémentiels et versions antérieures
Les PDF permettent d'enregistrer les modifications **en les ajoutant** au fichier plutôt qu'en le réécrivant. Un document édité et réenregistré plusieurs fois peut donc porter ses états antérieurs dans le même fichier, récupérables par qui sait chercher. C'est une des raisons pour lesquelles cette application n'édite jamais le document chargé pour l'enregistrer sur lui-même. La sortie est toujours assemblée en nouveau document, avec des pages copiées ou reconstruites : pas d'état antérieur auquel s'ajouter, pas d'objets orphelins.
Questions fréquentes
Où le texte caché est-il stocké dans un PDF ?
Le plus souvent dans les propriétés, un paquet XMP, les annotations et commentaires, les valeurs de champs de formulaire, les pièces jointes, les calques masqués, le contenu rogné ou des révisions antérieures.
Retirer le texte de la page nettoie-t-il les métadonnées ?
Non. Ce sont des parties distinctes du fichier.
Une zone rognée peut-elle être récupérée ?
Oui. Le rognage change ce qui est affiché ; il ne supprime pas le contenu extérieur et s'annule.
Et un formulaire rempli qui paraît vide ?
Les valeurs de champs sont des données. Un champ peut s'afficher vide et porter ce qui a été tapé.
Les pièces jointes apparaissent-elles à la lecture ?
Pas sur la page. Elles figurent dans le panneau des pièces jointes et s'extraient d'un clic.
Comment savoir si mon fichier contient tout cela ?
Lisez les propriétés, vérifiez les panneaux pièces jointes et calques, et balayez les flux bruts pour les termes qui vous importent.
Retirer le texte, puis prouver qu'il a disparu. Redact enlève les mots de la page au lieu de les recouvrir, puis rouvre le fichier qu'il vient de produire et le fouille deux fois — par extraction de texte et par balayage des flux bruts — avant de vous laisser télécharger. Le fichier ne quitte pas votre navigateur.
Caviarder un PDF dans le navigateur