同一篇论文，你把 Word 文档拿来跑 Turnitin，相似度 15%，你觉得还行。然后你把一模一样的内容转成了 PDF 再跑一遍——要么变高了，要么变低了，反正数字不一样了。你对着两个结果看了好几遍，论文内容一个字没动，为什么分数不一样？
Reddit 上讨论这个话题的帖子非常多，因为很多学校同时接受 Word 和 PDF 两种格式的提交，学生在两种格式之间切换的时候就发现了结果不一致的问题。更让人困惑的是，有时候 Word 版本的相似度更低，有时候 PDF 版本的更低，没有一个固定的方向。
这种差异的原因在于 turnitin查重 处理不同文件格式时所用的文本提取方式不一样。Word 文档（.docx）交给 Turnitin 的时候，系统直接解析文档内部的 XML 结构来提取文本——它读取的是文字本身的内容和顺序，不会受到分页、版式、字体渲染这些视觉因素的影响。而 PDF 交给 Turnitin 的时候，系统需要从 PDF 的页面描述文件里把文本提取出来——这个过程叫文本层提取，本质上是在一个视觉格式的文件里重建文本内容，而这个过程非常容易出现小的偏差。
PDF 的文本提取问题具体有这么几种。如果 PDF 是通过"打印到 PDF"的虚拟打印机生成的——很多人用这种方式把 Word 转成 PDF——打印机驱动在转写文本的时候可能会把单词在换行处断开，在字母之间插入多余的空格，把长破折号替换成连字符，或者在处理特殊字符（比如希腊字母、数学符号、带重音符号的字母）时产生乱码。这些文本提取上的细微偏差，会导致 Turnitin 比对时在断字位置和特殊字符处中断匹配——本来可以匹配到的来源断开了，或者本来不应该匹配到的地方因为乱码而产生了新的匹配。
反过来，如果你用 Word 的"另存为 PDF"而不是"打印到 PDF"，文本提取的效果会好很多，但仍然可能有一些细节上的差异——比如 PDF 里嵌入的字体的字符映射跟原始文档里的字符编码不完全一致，导致某些字符在被提取出来的时候变成了不同的 Unicode 编码。这种差异在人眼里看不出来——屏幕上显示的字体看起来一模一样——但在文本比对的层面，编码不同的字符就是不同的字符，匹配链条就断了。
文本框和嵌入对象是另一个容易出问题的点。如果你的 Word 论文里有用文本框写的标题、嵌入的 Excel 图表、或者 SmartArt 元素，把这些东西转成 PDF 之后，它们各自的文本层可能因为嵌套顺序的问题，被提取时打乱了原来的文字顺序。Turnitin 从 PDF 里读出来的文本顺序跟你原文的顺序不一样，那比对结果就会受到影响。更极端的情况是，文本框里的文字根本没有被提取出来——你论文里有 300 个字在文本框里，转成 PDF 之后这 300 个字消失了，Turnitin 自然读不到，比对范围少了这 300 个字，相似度可能就降低了。但这不是"降重成功"，这是"内容丢失"。
那你应该用哪种格式提交比较好？这么说吧——除非学校明确要求你提交 PDF，否则用 Word 格式会更稳妥。Word 文档的文本提取在 Turnitin 里是最直接、最不易出错的，因为 .docx 本质上就是一个包含了文本和格式信息的压缩包，系统读取文字不需要经过任何"视觉重建"的过程，读到什么就是什么，文字顺序和字符编码保持原样。
如果学校强制要求交 PDF，那你在转换成 PDF 的时候有几个地方可以注意。用 Word 的"另存为 PDF"而不是"打印到 PDF"。转完之后自己打开 PDF 文件，全选所有文字，复制粘贴到一个纯文本编辑器里，读一读有没有乱码、断字、丢字、或者顺序乱了的情况。这套全选复制粘贴的动作只需要花你一分钟，但能避免很多文件层面的意外。
还有一件事很值得注意。如果你在 Turnitin检测 自查时用的是 Word，然后正式提交时打算交 PDF——那自查结果跟正式提交结果之间的差距，除了前面讨论过的数据库更新和排除选项这些因素之外，还叠加了文件格式差异。最后交上去的 PDF 跑出来的数字跟你自查时 Word 跑出来的数字不一样，不一定是你论文的问题，很大概率是格式转换引起的。所以你在自查和最终提交时，尽量用同一种格式——如果在自查阶段就发现自己要交的是 PDF，那自查也用 PDF 来跑，这样两个结果之间的可比性最强。
文件格式导致的查重差异，说到底是文本提取精度的问题，跟你的论文内容和写作水平没有关系。你不用因为这个差异去质疑你论文的质量，但你有必要在提交之前搞清楚你选择的格式会不会给你的查重结果带来不必要的意外。毕竟你已经花了几十上百个小时在论文内容上——再花几分钟确保文件格式不会挖坑，完全值得。turnitin相似性检测 是帮你检查内容的，不是让你操心格式的——所以提交前把格式这件事做好，别让它干扰你看到真实的内容查重状况。
