这篇文章可能包含英文，中文，还有可能是html代码，怎样能保证取出来的不是乱码

原来的那几个都只能保证从第一个字符开始取，保证最后一个字符不是乱码，却不能保证取出来的第一个字符不是乱码。

不知道我表达的清楚没有，就是说输出的去除乱码和html代码，从有效的中英文字符开始取起，取到最后一个字符也是中英文有效字符。