解析和存儲HTML標籤隨着文本

Question

我正在尋找一種方法來解析unicode字符串的HTML和基本上拆分字符串（HTML元素以及個別標記）的所有元素，並將它們存儲在列表中。 BeautifulSoup顯然有一些很好的解析html的功能，比如.get_text方法，但是這並不保留標籤本身。

我需要的是這樣的。給定一個HTML Unicode字符串，如

s = u'<b>This is some important text!</b>，

什麼，我想有作爲的結果是這樣的名單：

['<b>', 'This', 'is', 'some', 'important', 'text!', '</b>']

必須有一個簡單的方法來做到這一點與BeautifulSoup，我只是沒有看到SO搜索。謝謝閱讀。

編輯：由於這對於存儲標籤的目的已經有了一些問題，我有興趣將標籤用作文本分類項目的特徵。我正在嘗試使用來自在線討論論壇的不同結構特徵，以及論壇帖子中的n-gram。

Answer 1

這一點的奇要求，所以這裏是一個奇怪的，但簡單的解決方案：

from bs4 import BeautifulSoup 

s = u'<b>This is some important text!</b>' 
soup = BeautifulSoup(s) 

>>> soup.b.prettify().split() 
[u'<b>', u'This', u'is', u'some', u'important', u'text!', u'</b>']