好吧，本屌承认又在糊弄朋友们了，这个没啥特别的，就是记录下一次帮人弄个简单的小说采集器时遇到的一些小问题。
第一，如何截取特定标签间的内容：
当然，用可（dou）爱（bi）的正则可以解决，在期间遇到一个有趣的地方，本来是直接匹配的标签对的正则内容，然后作为数组输出，
可惜越界包含了其他标签，事实证明了只要（.*?），保证不为空就行。但是在期间查了份资料，preg_quote将需要匹配的内容保持为转义状态，
也就是不用特地去加反斜杠之类的，但是鄙人尝试输出时，并未成功。
第二，如何处理爬取乱码：
在爬取过程中，可能会出现乱码，我们需要在实际运用过程中，考虑是否定义网页编码，或者定义输出编码，抑或是输出时进行转换，参考资料如下：
http://www.cnblogs.com/amboyna/archive/2008/04/21/1163116.html php链接数据库编码问题
header(“Content-Type: text/html;charset=utf-8”); 网页头部加入可解决部分乱码
http://cn2.php.net/manual/en/function.mb-convert-encoding.php php各种编码函数转换
。。。 这条我忘了0rz…
第三，如何处理数据量大带来的边界溢出：
其实这点问题我没解决，网上找了个方法好像很屌的样子，不过我这里没成功，即在php.ini里修改，
加上pcre.backtrack_limit=-1，然后preg_replace,preg_match_all，此类的边界问题可能会得到解决。
第四，如何清除文中空格，标点，以及标签：
标签清除可用strips_tag，简单粗暴。至于空格标签？试着preg_replace和str_replace，前者需要正则，后者直接替换的字符串。
在此期间需要注意，不可见及不能识别文字可通过编码，如urldecode进行具象化，然后将其替换再decode。如：http://zhidao.baidu.com/link?url=Ppil4x5ruvZ8mZX2w20jOJN-X_ZjwelCDVtjtGZ5ra_QD4Wq5ckIP4SOxAP3g7qDk9S-C3jcpSzXF9VHim-iZq
还有很重要的一点，不同编码的脚本，里面的规则如正则里的符号是不一样的，需要特别转换一下文件属性。PS:\s可代表空格tab一类。
第五，如何采集文章的中文并且随机取出关键词：
UTF-8：
用mb_substr($str, 0, 100, ‘utf-8’) 或者mb_strcut($str, 0, 120, ‘utf-8’); 第一个方法是截取100个字，不是100个字节，utf-8编码 第二个方法是100个字节 这两个方法都不会乱码的 先产生随机数字，在根据随机数字调用上面的方法，注意，加了utf-8可能会造成数据取不到，鄙人并未找出原因，猜测是取到的正好为过滤掉的乱码字符。
GBK:
chr(rand(161,215)).chr(rand(161,249))，utf8的是三位。
使用时请注意函数mb_strlen，mt_rand（用于随机）。
最后，附上两个带感的文献：
http://www.jb51.net/article/30024.htm PHP压缩html网页代码
http://bbs.chinaunix.net/thread-3567100-1-1.html php中如何截取中文字符串