Métadonnées

Ce que c'est

Les métadonnées sont des données portant sur d’autres données :
titre, date, langue, auteur, format et taille accompagnant un
document pour que personnes et programmes puissent le classer, lui
faire confiance et agir avant de le lire. Les normes anciennes
écrivent meta-data avec un trait d’union ; au quotidien, elles
portent des noms plus précis : champs d’en-tête HTTP, propriétés
d’un fichier bureautique, étiquettes d’une photo, en-tête de
métadonnées au début d’une page Markdown.

Une répartition courante distingue trois types. Les métadonnées
descriptives disent de quoi il s’agit : titre, créateur, sujet,
résumé. Les métadonnées structurelles disent comment les parties
s’assemblent : chapitres, pages, ordre de lecture. Les métadonnées
administratives disent l’origine et les usages autorisés : dates de
création et de modification, personnes responsables de ces
opérations, licence et format. Le Dublin Core, quinze éléments
devenus la norme ISO 15836 en 2003, est la liste partagée de champs
descriptifs la plus connue ; titre, créateur, date, langue et droits
réapparaissent sous d’autres noms dans presque tous les formats
apparus depuis.

Une page web porte plusieurs couches de métadonnées. La réponse HTTP
vient d’abord. La RFC 9110 dit qu’un champ d’en-tête « peut modifier
ou étendre la sémantique du message, décrire l’expéditeur, définir
le contenu ou fournir un contexte supplémentaire » ; `Content-Type`,
`Content-Language` et `Last-Modified` décrivent la page avant
l’arrivée du premier octet. Dans le HTML se trouvent `<title>`,
l’attribut `lang` et les éléments `<meta>` dont la norme définit les
noms, comme `description`, `author` et `generator`. Au-dessus
viennent les vocabulaires lus par d’autres acteurs : propriétés Open
Graph des aperçus de liens et données structurées pour moteurs de
recherche et assistants.

Qu’est-ce qui sépare donc métadonnées et données ? Le lecteur, plus
que les octets. Une notice de catalogue est une métadonnée sur un
livre, mais, pour le catalogue, elle constitue les données
elles-mêmes ; l’heure de prise de vue d’une photo est un détail pour
qui la regarde et une matière première pour qui cartographie les
lieux de prise de vue. La distinction avec les données structurées
est plus étroite : celles-ci sont des métadonnées écrites dans un
vocabulaire partagé, pour qu’un programme lise un champ sans deviner
son sens.

Pourquoi c'est important

Chaque champ est une petite promesse ; la décision importante est
l’origine de sa valeur : saisie humaine, historique des versions,
colonne d’une base ou simple information du système de fichiers. Les
programmes agissent sur ces promesses sans les vérifier. C’est le
but des métadonnées et leur risque.

Caches et robots répartissent leurs efforts à partir d’elles. Un
navigateur possédant une copie renvoie la date `Last-Modified`
reçue ; si rien n’a changé, il obtient une courte réponse `304 Not
Modified` plutôt que la page complète. La RFC 9110 demande au
serveur cette date pour toute représentation dont la dernière
modification « peut être déterminée raisonnablement et de manière
cohérente ». La condition joue dans les deux sens : sans date
cohérente, la norme n’en demande pas. La date de modification d’un
sitemap remplit le même rôle pour un robot décidant quoi récupérer à
nouveau.

Les personnes et technologies d’assistance en dépendent aussi.
L’attribut `lang` indique au lecteur d’écran les règles de
prononciation, et le titre apparaît dans l’onglet, le favori et le
résultat de recherche. Les droits circulent de même : un
gestionnaire de paquets connaît la licence d’une dépendance
uniquement parce qu’elle l’a déclarée. Un examen des licences fondé
sur cette liste vaut donc exactement ce que valent les déclarations.

Chaque champ doit rester vrai : une page qui comporte quarante
champs offre quarante occasions d’erreur. Certains ne sont lus par
personne : la norme HTML note que de nombreux moteurs de recherche
ignorent le nom `keywords`, utilisé pour polluer les résultats. Les
métadonnées divulguent aussi des informations : la position d’une
photo ou l’historique d’un document peut en dire davantage que le
contenu. Moins de champs, chacun alimenté par une source qui ne peut
dériver, valent généralement mieux qu’une multitude.

À quoi cela ressemble en pratique

Les métadonnées apparaissent dans trois projets de ce site, chaque
fois dans un autre type de fichier : sitemap, ensemble de PDF et
graphe de dépendances.

Le sitemap d’un site tirait ses dates de dernière modification des
mauvaises métadonnées : 172 de ses 176 pages partageaient le même
instant. Ces dates étaient les heures de modification des fichiers,
décrivant les octets plutôt que le contenu ; chaque export
réécrivait tout. La correction lit une chaîne de repli : champ
explicite, historique des commits, puis fichier. Elle consigne aussi
le piège : le nom littéral du champ doit figurer dans cette liste,
sinon le générateur ne le lit jamais. Les enregistrements des pages
distinguent désormais les jours de rédaction et de révision des
années du travail décrit ; une date inconnue reste vide, selon la
règle « une valeur précise mais fausse est pire qu’une valeur
absente ». Au stade d’implémentation documenté, une
resynchronisation après un mois de modifications touchait 8 fichiers
sur 186.

Au stade de validation consigné, neuf documents PDF générés évalués
selon la norme d’accessibilité ont réussi les 106 règles configurées
du profil d’accessibilité. Le travail comprenait une langue déclarée
et un vrai titre dans les métadonnées, ainsi qu’une structure
balisée, des textes alternatifs et un ordre de lecture explicite.
Lors de cette exécution consignée, les mêmes documents ont échoué à
exactement une règle sur 146 du profil d’archivage. La page parle
d’un résultat proche en nommant la règle, car 145 réussites ne
constituent pas une conformité.

Et lorsque les licences de 644 crates Rust ont été vérifiées à
chaque construction, la limite déclarée de l’audit était celle des
métadonnées. Il lit la licence déclarée de chaque crate ; les
déclarations peuvent être fausses ou incomplètes, et le contrôle ne
prouve rien sur une crate mal déclarée. Il a volontairement été mis
en échec deux fois, ce qui montre son fonctionnement ; aucun
contrôle ne peut prouver l’honnêteté des déclarations qu’il lit.

Où les problèmes surviennent

Les défauts suivants ont un point commun : tous les contrôles qui ne
les recherchent pas réussissent.

Chaque page annonce un changement après chaque déploiement. Un
serveur envoyant l’heure de modification d’un fichier statique comme
`Last-Modified`, ou un générateur datant ainsi un sitemap, annonce
le moment de la copie. Or une extraction du dépôt, un export ou une
construction de conteneur copie tous les fichiers. Les caches
revalident tout et les robots n’apprennent rien. Tirez les dates de
l’historique des versions ou d’un champ saisi par quelqu’un, et
n’indiquez pas une date inconnue. Dans Hugo, les sources forment une
liste lue dans l’ordre, où le nom du champ lui-même doit figurer :

```toml
enableGitInfo = true

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

Un titre ou un aperçu de lien affiche des caractères mal décodés.
L’encodage décrit tous les autres octets ; un analyseur rencontrant
le texte avant sa déclaration doit deviner. La norme HTML exige que
l’élément déclaratif tienne entièrement dans les 1 024 premiers
octets ; le mettre en tête de `<head>` ne laisse rien à deviner. Sur
ce site, l’outil URL Inspection de Bing (inspection d’URL) a lu un
jour le titre et les deux chaînes Open Graph en Latin-1, car un
tiret cadratin du titre précédait la déclaration d’encodage.
L’en-tête HTTP annonçait aussi UTF-8, mais un outil lisant les
octets sans l’en-tête n’a que la page. La déclaration d’encodage est
désormais le premier élément, et un contrôle le confirme sur chaque
page construite.

Le même fait diffère selon l’endroit. Le titre vit dans `<title>`,
`og:title`, les données structurées et, pour un PDF, les propriétés
du document ; sa langue vit dans `lang`, `Content-Language` et
`og:locale`. Saisies séparément, ces valeurs divergent et chaque
consommateur en croit une autre. Calculez chaque valeur une seule
fois, dans un modèle ou une fonction, puis faites lire cette valeur
partout où elle est affichée.

Un fichier révèle davantage que son auteur ne voulait publier. Les
photos portent l’appareil, l’heure et souvent la position ; les
documents bureautiques, les noms d’auteurs, l’historique des
modifications et les chemins des modèles ; une balise `generator`
nomme le logiciel créateur de la page. Retirez à l’export tout ce
que personne n’a choisi de publier et considérez chaque champ comme
un texte qu’un inconnu lira.

Pour aller plus loin

  * RFC 9110, section 6.3 : champs d’en-tête — le transport des
métadonnées avant le contenu en HTTP et les rôles possibles d’un
champ d’en-tête.

  * RFC 9110, section 8.8.2 : Last-Modified — quand envoyer une date
de modification et pourquoi remplacer une date future.

  * Norme HTML : élément meta — les noms normalisés des métadonnées
et les règles de déclaration d’un encodage.

  * Termes de métadonnées DCMI — les quinze éléments Dublin Core et
le vocabulaire construit autour.

  * Protocole Open Graph — les quatre propriétés requises pour
chaque page et les propriétés facultatives associées.

hCette page sur le Web	URL:https://engineer.company/fr/glossary/metadata/	engineer.company	70
