fn_registry/python/functions/cybersecurity/extract_pdf_metadata.md

name, kind, lang, domain, version, purity, signature, description, tags, uses_functions, uses_types, returns, returns_optional, error_type, imports, params, output, tested, tests, test_file_path, file_path

name	kind	lang	domain	version	purity	signature	description	tags	uses_functions	uses_types	returns	returns_optional	error_type	imports	params	output	tested	tests	test_file_path	file_path
extract_pdf_metadata	function	py	cybersecurity	1.0.0	impure	def extract_pdf_metadata(pdf_path: str) -> dict	Lee los metadatos del Document Info de un PDF con pypdf (titulo, autor, creador, productor, fechas, numero de paginas) mas el volcado completo en `raw`. OSINT pasiva sobre documentos propios: revela quien y con que software genero el documento. Tolerante a PDFs cifrados (no falla, rellena `error`).	osint-passive pdf metadata document forensics pypdf extract cybersecurity python				false	error_go_core	pypdf	name desc pdf_path ruta al archivo PDF en disco	dict con title, author, creator, producer, creation_date, mod_date (ISO 8601 si parseables, sino valor crudo), num_pages, raw (todo el doc info) y error (None si todo fue bien, mensaje en caso contrario).	true	PDF con metadatos devuelve titulo, autor y num_pages PDF sin doc info devuelve campos None sin petar fechas parseables se devuelven en ISO 8601	python/functions/cybersecurity/extract_pdf_metadata_test.py	python/functions/cybersecurity/extract_pdf_metadata.py

Ejemplo

import sys, os
sys.path.insert(0, os.path.join("python", "functions"))
from cybersecurity.extract_pdf_metadata import extract_pdf_metadata

meta = extract_pdf_metadata(
    "/home/enmanuel/Obsidian/osint/attachments/personas/cv_objetivo.pdf"
)
print(meta["author"])        # 'Enmanuel G.'          (quien lo creo)
print(meta["producer"])      # 'Microsoft Word 2021'  (con que software)
print(meta["creation_date"]) # '2024-03-11T10:22:00+01:00'
print(meta["num_pages"])     # 3

Cuando usarla

Cuando recolectes inteligencia pasiva sobre un PDF propio o de un objetivo y necesites saber quien lo creo, con que herramienta y cuando. Usala tambien para auditar tus propios documentos antes de publicarlos: el campo author y producer suelen filtrar el nombre real del usuario, la version del software y la organizacion, datos que no quieres exponer.

Gotchas

• Funcion impura: abre el archivo del disco. Captura la excepcion en lugar de propagarla — si el PDF esta corrupto, cifrado o no es un PDF, devuelve el dict con lo que pudo leer y un mensaje en error (no lanza).
• PDFs cifrados: intenta abrir con password vacio (caso comun de "restriccion de copia"). Si requiere password real, error empieza por encrypted: y los campos pueden quedar None.
• Muchas fechas de PDF vienen en formato D:YYYYMMDDHHmmSS+ZZ; se convierten a ISO 8601 cuando pypdf las parsea, sino se devuelven crudas.
• raw serializa los valores a string para evitar tipos no JSON-friendly (IndirectObject, ByteStringObject). Los campos normalizados conservan el contenido textual.