Metadatos

Qué es

Los metadatos son datos que describen otros datos: el título, fecha,
idioma, autor, formato y tamaño que acompañan a un documento para
que personas y programas puedan ordenarlo, confiar en él y actuar
antes de leerlo. En estándares antiguos aparece la grafía inglesa
meta-data, con guion; en el uso diario reciben nombres más
concretos: campos de cabecera en HTTP, propiedades de un archivo
ofimático, etiquetas de una foto o front matter al principio de una
página Markdown.

Una división habitual distingue tres tipos. Los metadatos
descriptivos indican de qué trata algo: título, creador, tema,
resumen. Los estructurales explican cómo encajan sus partes:
capítulos, páginas, orden de lectura. Los administrativos indican de
dónde procede y qué puede hacerse con ello: cuándo se creó y
modificó, quién lo hizo, con qué licencia y en qué formato. Dublin
Core, quince elementos que se convirtieron en el estándar ISO 15836
en 2003, es la lista compartida de campos descriptivos más conocida;
su título, creador, fecha, idioma y derechos reaparecen con otros
nombres en casi todos los formatos posteriores.

Una página web lleva metadatos en varias capas. Primero llega la
respuesta HTTP. RFC 9110 dice que un campo de cabecera «podría
modificar o ampliar la semántica del mensaje, describir al
remitente, definir el contenido o proporcionar contexto adicional»;
`Content-Type`, `Content-Language` y `Last-Modified` describen la
página antes de que llegue un solo byte de ella. Dentro del HTML
están `<title>`, el atributo `lang` y elementos `<meta>` cuyos
nombres define el estándar HTML, como `description`, `author` y
`generator`. Sobre ellos hay vocabularios que leen terceros:
propiedades Open Graph para las vistas previas de enlaces y datos
estructurados para buscadores y asistentes.

¿Qué separa entonces los metadatos de los datos? Más el lector que
los bytes. Un registro de catálogo aporta metadatos sobre un libro y
constituye el conjunto de datos completo para el catálogo; la hora
de captura de una foto es un detalle para quien la mira y materia
prima para quien cartografía dónde se toman las fotos. La distinción
entre metadatos y datos estructurados es más concreta: los datos
estructurados son metadatos escritos con un vocabulario compartido,
para que un programa lea un campo sin adivinar qué significa.

Por qué importa

Cada campo es una pequeña promesa; lo decisivo es de dónde obtiene
su valor: de una persona que lo escribe, del historial de versiones,
de una columna de base de datos o de lo que diga el sistema de
archivos. Los programas actúan según esas promesas sin comprobarlas.
Esa es la utilidad de los metadatos y también su riesgo.

Las cachés y los rastreadores distribuyen su trabajo en función de
ellos. Un navegador que conserva una copia devuelve la fecha
`Last-Modified` que recibió; si nada ha cambiado, obtiene un breve
`304 Not Modified` en lugar de otra copia de la página. RFC 9110
pide al servidor enviar esa fecha para toda representación cuya
última modificación «pueda determinarse de forma razonable y
coherente». La condición funciona en ambos sentidos: si no existe
una fecha coherente, el estándar no la pide. La fecha de
modificación de un mapa del sitio cumple la misma función para un
rastreador que decide qué volver a descargar.

También dependen de ellos las personas y las tecnologías de
asistencia. El atributo `lang` indica al lector de pantalla qué
reglas de pronunciación aplicar; el título aparece en pestañas,
marcadores y resultados de búsqueda. Los derechos viajan del mismo
modo: un gestor de paquetes solo conoce la licencia de una
dependencia porque esta la declara; una revisión de licencias basada
en esa lista tiene exactamente la calidad de las declaraciones que
la sustentan.

Cada campo debe seguir siendo cierto: una página con cuarenta campos
tiene cuarenta ocasiones de equivocarse. Algunos no los lee nadie;
el estándar HTML señala que muchos buscadores no consideran
`keywords` porque se usó para manipular los resultados. Los
metadatos también revelan información: la posición de una foto o el
historial de revisiones de un documento pueden contar más que su
contenido. Suele ser mejor tener menos campos, cada uno alimentado
por un origen que no pueda desajustarse, que muchos.

Cómo se aplica en la práctica

Los metadatos aparecen en tres proyectos de este sitio, cada vez en
un tipo de archivo distinto: un mapa del sitio, un conjunto de PDF y
un grafo de dependencias.

El mapa de un sitio tomaba las fechas de última modificación de los
metadatos equivocados:

172 de sus 176 páginas acabaron compartiendo un instante. Eran las
marcas de tiempo de modificación de los archivos, metadatos sobre
los bytes en lugar del contenido, y cada exportación de contenido
volvía a escribirlas todas. La corrección recorre una cadena de
alternativas: primero un campo explícito, después el historial de
commits y, por último, el archivo. También documenta una trampa: el
nombre literal del campo debe aparecer en la lista o el generador
nunca lo lee. Los registros que sustentan las páginas conservan
ahora el día de redacción y revisión de cada entrada separado de los
años en que se realizó el trabajo; una fecha desconocida queda
vacía, según la regla de que «una cifra precisa pero incorrecta es
peor que su ausencia». En la etapa de implementación documentada,
una nueva sincronización tras un mes de cambios modificaba 8
archivos de 186.

En la etapa de validación documentada, nueve documentos PDF
generados y evaluados contra el estándar de accesibilidad superaron
las 106 reglas configuradas del perfil de accesibilidad. El trabajo
incluyó un idioma declarado y un título real en los metadatos,
además de estructura etiquetada, texto alternativo y un orden de
lectura explícito. En esa ejecución documentada, los mismos
documentos incumplieron exactamente una regla de las 146 del perfil
de archivo. La página lo describe como un resultado cercano, con la
regla fallida identificada, porque 145 reglas superadas no equivalen
a conformidad.

Al comprobar las licencias de 644 crates de Rust en cada
compilación, el límite declarado de la auditoría era un límite de
los metadatos. Lee la licencia que declara cada crate; las
declaraciones pueden ser incorrectas o incompletas y la comprobación
no demuestra nada sobre un crate que se describa mal. Se provocó su
fallo dos veces, lo que demuestra que la comprobación funciona; nada
que haga una comprobación puede demostrar que las declaraciones que
lee sean honestas.

Dónde surgen los problemas

Los fallos siguientes comparten una característica: se superan todas
las comprobaciones que no los busquen.

Todas las páginas informan de un cambio después de cada despliegue.
Un servidor que envía la marca de tiempo de modificación de un
archivo estático como `Last-Modified`, o un generador que fecha así
el mapa del sitio, anuncia cuándo se copió el archivo. Obtener una
copia del repositorio, exportar o construir un contenedor los copia
todos. Las cachés vuelven a validar todo y los rastreadores no
aprenden nada. Obtenga las fechas del historial de versiones o de un
campo escrito por una persona y deje ausente una fecha desconocida.
En Hugo se recorren los orígenes de una lista en orden; el nombre
del propio campo debe figurar en ella:

```toml
enableGitInfo = true

[frontmatter]
date = ["date", ":git", ":fileModTime"]
lastmod = ["lastmod", ":git", ":fileModTime"]
```

El título o la vista previa de un enlace muestra caracteres dañados.
La codificación de caracteres es un metadato que describe todos los
demás bytes; si el analizador encuentra texto antes de la
declaración, debe adivinar. El estándar HTML exige que el elemento
que la declara quepa por completo en los primeros 1.024 bytes;
colocarlo primero en `<head>` elimina la necesidad de adivinar. En
este sitio, URL Inspection de Bing leyó una vez el título y las dos
cadenas Open Graph como Latin-1 porque una raya del título aparecía
antes de la declaración de codificación. La cabecera HTTP también
indicaba UTF-8, pero una herramienta que lea los bytes sin cabecera
solo dispone de la página. La declaración es ahora el primer
elemento y una comprobación confirma ese orden en cada página
compilada.

El mismo dato dice cosas distintas en lugares distintos. El título
de una página está en `<title>`, en `og:title`, en sus datos
estructurados y, para un PDF, en las propiedades del documento; el
idioma aparece en `lang`, `Content-Language` y `og:locale`. Si se
escriben por separado, divergen y cada consumidor cree una versión
distinta. Calcule cada valor una vez, en una plantilla o función, y
haga que todos los lugares donde se imprime lean ese valor.

El archivo dice más de lo que su autor quería publicar. Las fotos
incluyen información sobre la cámara, la hora y, a menudo, la
posición; los documentos ofimáticos llevan nombres de autores,
historial de cambios y rutas de plantillas; una etiqueta `generator`
identifica el software que construyó la página. Elimine al exportar
lo que nadie decidió publicar y trate cada campo como texto que
leerá una persona desconocida.

Lecturas adicionales

  * RFC 9110, sección 6.3: campos de cabecera — cómo transporta HTTP
los metadatos antes del contenido y qué puede hacer un campo de
cabecera.

  * RFC 9110, sección 8.8.2: Last-Modified — cuándo debería enviar
el servidor una fecha de modificación y por qué se sustituye una
fecha futura.

  * Estándar HTML: el elemento meta — los nombres de metadatos
estándar y las reglas para declarar una codificación de caracteres.

  * Términos de metadatos DCMI — los quince elementos Dublin Core y
el vocabulario construido alrededor de ellos.

  * Protocolo Open Graph — sus cuatro propiedades obligatorias en
cada página y las opcionales que las acompañan.

hEsta página en la web	URL:https://engineer.company/es/glossary/metadata/	engineer.company	70
