办公文档 / 图片 / 文本 属性清理（去隐私元数据）

适用场景

对外发送文件前，文档与媒体里常夹带着隐私字段，极易在无意中泄露内部信息：

• Office / PDF：作者、创建/修改时间、公司名称、最后修改者、自定义属性；
• 图片（JPG/PNG/WebP 等）：EXIF 元数据——GPS 定位坐标、拍摄设备、拍摄时间、软件版本，是比文档作者更隐蔽的隐私炸弹；
• 纯文本：文件本身不含内嵌文档元数据，但 OS 会记录创建/修改时间。

本技能在不改动任何正文 / 像素内容的前提下，一键清除这些属性与个人信息字段，输出可直接发送的安全版本。发简历、发标书、发合同、对外分享报告与照片时尤其适用。

支持格式：.docx、.xlsx、.pptx、.pdf、.jpg/.jpeg、.png、.webp、.bmp、.gif、.tif/.tiff、.txt、.md、.csv、.tsv、.json、.log 等。

核心能力

1. 多格式覆盖：
   • OOXML（docx/xlsx/pptx）走标准库直接改写 docProps/*，零依赖；
   • PDF 清 Info 字典 + XMP 元数据流 + 生成器戳；
   • 图片用 Pillow 重新封装剥离 EXIF / PNG 文本块 / ICC / Photoshop / XMP；
   • 纯文本原样复制（无内嵌元数据可剥离）。
   • 正文、排版、图表、公式、图像像素均不受影响。
2. 隐私字段全清：
   • 核心属性：标题、主题、作者（dc:creator）、最后修改者、修订号、创建时间、修改时间；
   • 扩展属性：公司（Company）、经理（Manager）、模板、文档安全级别；
   • 自定义属性（custom.xml 全部移除）；
   • PDF：作者、创建者、生产者、创建/修改日期、XMP 流；
   • 图片：EXIF（含 GPS、设备、时间戳）、PNG 文本块（Title/Author/Description 等）、ICC、Photoshop、XMP。
3. 零内容风险：仅改写属性区或重新封装容器；清理后文件用原软件/原查看器照常打开。
4. 批量 + 报告：支持一次传多个文件，输出结构化 JSON 报告（每个文件清了几项、是否验证无残留、输出路径），便于留痕审计。
5. 文件系统时间戳重置（可选）：--reset-fs-time 将输出文件的时间戳统一刷为固定值（2000-01-01），彻底抹掉 OS 记录的"创建/修改时间"，对纯文本文件尤其有意义。

输入规范

向用户收集（任一缺失则主动引导，不臆测）：

• 文件：待清理的 Office / PDF / 图片 / 文本路径（可多个，逗号或空格分隔）。
• 输出位置（可选）：默认在同目录生成 <原名>_cleaned.<ext>；可指定 --output-dir 或 --overwrite 直接覆盖。
• 是否覆盖（可选，默认不覆盖、生成新文件，避免误伤原件）。
• 是否重置时间戳（可选）：默认保留原文件系统时间；如需清除 OS 时间戳加 --reset-fs-time。

引导话术：「把要发的文件发我（Word/Excel/PPT/PDF、图片 JPG/PNG、或文本都行，多个一起发也可以）。默认会生成一份 _cleaned 副本、不动原件，也会把系统记录的时间戳一并清掉；如果你确认要直接覆盖原件，告诉我一声。」

处理流程

1. 确认用户文件与期望输出方式（副本 / 覆盖 / 是否重置时间戳）。
2. 调用脚本（OOXML 为零依赖标准库；PDF 需 pypdf；图片需 pillow，托管环境均已预装）：

   python scripts/clean_metadata.py <文件1> [文件2 ...] \
      [--output-dir DIR] [--suffix _cleaned] [--overwrite] [--reset-fs-time]

   • 若报 ModuleNotFoundError: pypdf → 运行环境执行 pip install pypdf；
   • 若报 ModuleNotFoundError: Pillow → 运行环境执行 pip install pillow。
3. 读取脚本返回的 JSON 报告，向用户汇报每个文件的清理结果与输出路径。

输出格式

脚本 stdout 输出一份 JSON 报告，示例如下（已对用户精简呈现）：

✅ 已清理 3 个文件：
- 财报草案.docx → 财报草案_cleaned.docx（清除 15 项元数据：作者/公司/日期等）
- 旅游照.jpg     → 旅游照_cleaned.jpg（清除 6 项 EXIF，已验证无残留）
- 笔记.txt       → 笔记_cleaned.txt（纯文本无内嵌元数据；已重置文件系统时间戳）

⚠️ 说明：旧版 .doc（Word 97-2003）不支持，请另存为 .docx 再清理。

异常处理

• 不支持的格式（如 .doc 老版二进制、.exe 等）→ 单文件标记 error 并说明，其余文件照常处理。
• 文件不存在 / 无读取权限 → 标记 error，不中断其他文件。
• 缺少 pypdf / Pillow → 明确提示安装命令，不静默失败。
• 文档 / 图片本就无元数据 → 状态 no_metadata（文档）或 cleaned（图片，已验证无残留），仍产出副本（或覆盖），不报错。
• 纯文本无内嵌元数据 → 状态 no_embedded_metadata，原样复制；若加了 --reset-fs-time 则同时重置 OS 时间戳。

  小葱技能有更好的技能skills插件。

• 批量部分失败 → 报告 summary 区分 cleaned / no_metadata / no_embedded_metadata / error 计数，便于核查。

适用限制与免责声明

• 仅清除文档属性与个人信息字段；文档可见正文（如页眉页脚里手填的姓名、正文中的署名）不在清理范围，需人工核对。
• 旧版 .doc（Word 97-2003 二进制格式）不支持，请先在 Office / WPS 中另存为 .docx 再清理。
• 图片经重新封装以剥离元数据：JPEG 会有极轻微重编码（默认 quality=95，损失可忽略），属业界通用做法；若要求像素级逐字节一致，请改用专业原址改写工具。
• TIFF 因元数据以标签形式存在、重新封装无法保证清除，会自动转存为 PNG（扩展名随之变为 .png）以彻底剥离；如需保留 TIFF 格式需另行处理。
• PDF 清理依赖 pypdf；其会生成一份新 PDF，原文件数字签名、注释锚点等随重组可能变化，敏感合规场景请提前确认。
• 清理为不可逆操作（覆盖模式尤甚）；默认生成 _cleaned 副本以保留原件，重要文件建议先备份。

质量很好，是一款非常实用的隐私保护工具。它能一键清除文档和照片中的作者信息、GPS定位、设备型号等敏感内容，支持批量处理多个文件，输出结果有清晰的报告可追溯。操作简单安全，默认保留原件不怕误删。美中不足的是，JPEG图片清理时会轻微重新编码（质量95，普通人几乎察觉不到），TIFF格式会自动转成PNG，且PDF清理后签名会失效。这些限制都有明确说明，日常使用完全没问题。