HTML形式のテキストからテキストのみの文字位置とそれに付随するタグをpythonで抽出したい。

Question

HTML形式のテキストからテキストのみの文字位置とそれに付随するタグをpythonで抽出したいです。
文字位置はHTMLタグを抜いた文字数での抽出がしたいです。

例

<a>テキスト1</a><h1>テキスト1</h1><h2>テキスト3<a>テキスト4</a></h2>

取得したい値

[{'tag':a,'text':テキスト1,'start_index':0,end_index:4},{'tag':h1,'text':テキスト1,'start_index':5,end_index:9},
{'tag':h2,'text':テキスト3テキスト4,'start_index':10,end_index:19},{'tag':a,'text':テキスト4,'start_index':15,end_index:19}]

上記のように抽出する方法はないでしょうか。
よろしくお願いいたします。

＊追記
テキストの重複込みで抽出できる方法を探しています。

Answer 1

以下です。

>>> from bs4 import BeautifulSoup
>>> html = '<a>テキスト1</a><h1>テキスト2</h1><h2>テキスト3<a>テキスト4</a></h2>'
>>> soup = BeautifulSoup(html)
>>> result = []
>>> position = 0
>>> for t in soup.findChildren()[2:]:
...     tag = t.name
...     text = next(t.strings)
...     result.append({'tag':tag, 'text':text, 'start_index':position ,'end_index': position + len(text) - 1})
...     position += len(text)
...
>>> print(result)
[{'tag': 'a', 'text': 'テキスト1', 'start_index': 0, 'end_index': 4}, {'tag': 'h1', 'text': 'テキスト2', 'start_index': 5, 'end_index': 9}, {'tag': 'h2', 'text': 'テキスト3', 'start_index': 10, 'end_index': 14}, {'tag': 'a', 'text': 'テキスト4', 'start_index': 15, 'end_index': 19}]

Comments

[kakinosuke]

すみません。テキストの重複のことを失念していました。重複込みで抽出できる方法はありますでしょうか？