有些同学在使用 CrossCheck（基于 iThenticate 的相似性检测体系）查重时，犹豫提交什么格式去重复，word格式还是PDF格式？哪个格式的文档查重更准确？特别是图文混排的文章，这一问题并非技术细节，而是直接关系到查重结果是否可靠、是否可被期刊编辑采信。今天小编就同学这个疑问来展开聊聊：
一、CrossCheck是如何读取文件内容的？
首先，CrossCheck并不是一个图像识别系统，它的核心能力在于对可编辑文本的相似性比对检测，而非对图片本身进行分析。
当作者上传文件时，系统会经历两个关键步骤：
文本提取（Text Extraction）
文本相似性比对（Similarity Matching）
只要文件中的文字能够被系统成功提取，它才会进入后续的查重流程，无法被识别为文本的内容，将被直接忽略。
二、图文混排PDF对文字识别准确性的影响
在实际使用中，PDF文件对查重准确性的影响，主要取决于PDF的生成方式，而非是否图文混排本身。
1. 原生PDF（可复制文本）
如果PDF是由 Word、LaTeX 等排版软件直接导出，且正文文字可以被正常复制，那么：
- CrossCheck通常可以较完整地识别正文文本；
- 查重结果在多数情况下与Word版本接近；
- 图像部分（如插图、示意图）不会参与查重，这是正常现象。
这种PDF一般不会对文字识别产生实质性影响。
2. 扫描型或图片型PDF
如果PDF来源于扫描（例如扫描版期刊、复印件、拍照转PDF），其中文字实质上是图片，而非文本字符：
- CrossCheck不会自动进行高精度OCR识别；
- 图片中的文字通常无法被读取；
- 大量正文内容可能被跳过，导致相似度明显偏低。
在这种情况下，查重结果并不可靠，容易出现低重复但并非真正原创的判断。
3. 复杂图文混排结构
即便是原生PDF，如果存在以下情况，也可能影响文本提取质量：
- 多栏排版、跨栏公式
- 图中文字与正文高度混合
- 特殊字体或嵌入字体
- 表格作为图片嵌入
这些因素可能导致部分文字顺序错乱、段落断裂，从而影响比对精度。
三、CrossCheck是否依赖OCR？
这是一个常见误解。CrossCheck本身并不以OCR为核心能力。在大多数标准检测流程中，它主要依赖文件内的原生文本层。即便某些平台在后台使用了基础OCR工具，其识别精度也远低于专业OCR软件，不能保证学术查重所需的完整性和准确性。因此，不能指望CrossCheck自动把扫描PDF识别得和Word一样准确。
四、Word格式与PDF格式，哪种查重更准确？
从查重稳定性和可控性角度看，结论是：在绝大多数情况下，Word格式比PDF格式更准确、更可控。
原因主要包括：
- Word是原生文本格式
- 所有正文内容均可被完整读取
- 段落结构清晰，不易错位
- 公式、表格、注释识别更稳定
- Word中的表格文字通常可参与查重
- 批注、修订可在提交前统一清理
- 避免OCR不确定性
- 不依赖图片识别
- 查重结果更接近编辑端检测结果
PDF格式的优势主要在于版式固定，但这一优势对查重本身并无实际帮助。
五、编辑和期刊通常更认可哪种格式？
从编辑实践来看：
- 投稿前自查：更推荐使用 Word
- 正式审稿阶段：编辑端通常也基于可编辑文本进行检测
- PDF版多用于排版确认，而非查重判断
如果作者提交的是PDF，编辑系统往往会先将其转换为可编辑文本再检测，这一转换过程本身就可能引入误差。
六、给作者的实际建议
- 查重阶段优先使用Word格式，尤其是投稿前的关键检测，不建议使用扫描PDF。
- 避免使用图片型正文，表格和文字尽量不要以图片形式嵌入。
- 如必须使用PDF，先测试可复制性，若无法正常复制正文文字，查重结果基本不具参考价值。
- 重要稿件尽量与期刊使用同一格式检测，这有助于减少作者与编辑端查重结果不一致的情况。
总体而言，CrossCheck在处理图文混排PDF时，文字识别的准确性高度依赖PDF本身的文本结构，对于扫描型或复杂排版PDF，文字识别存在明显局限，查重结果可能不具有参考性；相较之下，Word格式在文本完整性、结构稳定性和查重可控性方面明显更优，也是大多数期刊和编辑更为推荐的检测格式。清楚这一点，有助于作者在查重阶段做出更合理的格式选择，避免因文件形式问题而对论文原创性产生误判。
