XML::Twig "parse error"

J'applique Twig pour parser des sites de forums, et sur la plupart des sites j'ai énormément de "parse errors", pratiquement intraçables.
Où est le problème?

Leur code XMTML n'est pas conforme et Twig n'est pas assez robuste ?

Il faut se rabattre sur le Xpath ordinaire ?

Normalement Twig gère correctement le XHTML. Il se peut qu'il ne soit pas valide tout simplement.
Peux tu nous donner un exemple de code XHTML et de ton code perl.

## Voici un test sur une page de Le Figaro

Citation:

## Renvoie erreur: mismatched tag at line 24, column 2, byte 2358 at C:/Perl/lib/XML/Parser.pm line 187
at C:\Code\wrapper\twig8-fi-un_policier.pl line 15

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
#!/usr/bin/perl -w
use strict;
 
use XML::Twig;
 
 
my $url = 'http://plus.lefigaro.fr/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires';
 
my $t=XML::Twig->new();
my $handlers = {
    'a[@id]'   => \&f_lefigaro
};
 
$t -> setTwigHandlers ($handlers);
$t ->parseurl($url) or print "\n==PARSE ERROR==\n";
 
 sub f_lefigaro #   called if match p class=posted
 {
        my ($t, $elt) = @_;
         print "Tag", $elt->name, "\n";
         print "Valeur : ";
         print $elt->att->pcdata, "\n";
}

Code:

1
2
3
4
5
6
7
8
9
 ## PATTERN
# <a id="comment-4529261"></a>
#<div class="comment comment-published clear-block"><a href="/page/paul-56-22-345321" class="avatar"><img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/avatar_selection/avatar-28.jpg" alt="Avatar" title="avatar de paul 56-22"  class="imagecache imagecache-X-small" width="50" height="50" /></a><a href="http://plus.lefigaro.fr/page/paul-56-22-345321" title="La page de paul 56-22" class="user">paul 56-22</a>regardez   la police Brésilienne  exécution immédiate des  pourris  et pas  de parlottes stériles donc inutiles     <div class="timestamp">Le 3/12/2010 à 12:34    <span class="lien-editer"></span>
#    <span class="lien-workflow"></span>
#    <span class="lien-alerter"><a href="/figaro_workflow/comment/4529261/alerter">Alerter</a></span>
#    <span class="lien-supprimer"></span>
#    <span class="lien-repondre"><a href="/comment/reply/341246/4529261">Répondre</a></span>
#    </div>
#  </div>

En téléchargeant le contenu de cette page et en le reformattant via un éditeur de texte, on s'aperçoit qu'il n'est pas valide.

Code:

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51
52
53
54
55
56
57
58
59
60
61
62
63
64
65
66
67
68
69
70
71
72
73
74
75
76
77
78
79
80
81
82
83
84
85
86
87
88
89
90
91
92
93
94
95
96
97
98
99
100
101
102
103
104
105
106
107
108
109
110
111
112
113
114
115
116
117
118
119
120
121
122
123
124
125
126
127
128
129
130
131
132
133
134
135
136
137
138
139
140
141
142
143
144
145
146
147
148
149
150
151
152
153
154
155
156
157
158
159
160
161
162
163
164
165
166
167
168
169
170
171
172
173
174
175
176
177
178
179
180
181
182
183
184
185
186
187
188
189
190
191
192
193
194
195
196
197
198
199
200
201
202
203
204
205
206
207
208
209
210
211
212
213
214
215
216
217
218
219
220
221
222
223
224
225
226
227
228
229
230
231
232
233
234
235
236
237
238
239
240
241
242
243
244
245
246
247
248
249
250
251
252
253
254
255
256
257
258
259
260
261
262
263
264
265
266
267
268
269
270
271
272
273
274
275
276
277
278
279
280
281
282
283
284
285
286
287
288
289
290
291
292
293
294
295
296
297
298
299
300
301
302
303
304
305
306
307
308
309
310
311
312
313
314
315
316
317
318
319
320
321
322
323
324
325
326
327
328
329
330
331
332
333
334
335
336
337
338
339
340
341
342
343
344
345
346
347
348
349
350
351
352
353
354
355
356
357
358
359
360
361
362
363
364
365
366
367
368
369
370
371
372
373
374
375
376
377
378
379
380
381
382
383
384
385
386
387
388
389
390
391
392
393
394
395
396
397
398
399
400
401
402
403
404
405
406
407
408
409
410
411
412
413
414
415
416
417
418
419
420
421
422
423
424
425
426
427
428
429
430
431
432
433
434
435
436
437
438
439
440
441
442
443
444
445
446
447
448
449
450
451
452
453
454
455
456
457
458
459
460
461
462
463
464
465
<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" "http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml" xml:lang="fr" lang="fr" dir="ltr">
  <head>  
    <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />  
    <meta http-equiv="Content-Type" content="text/html; charset=utf-8" />  
    <link rel="shortcut icon" href="/sites/default/themes/figaropremium/favicon.ico" type="image/x-icon" />  
    <meta name="robots" content="index,follow,noarchive">	
    <meta http-equiv="Cache-Control" content="no-cache">	
    <meta http-equiv="Pragma" content="no-cache">	
    <meta http-equiv="Expires" content="0">  
    <title>Mon Figaro - Réactions à l'article
    </title>  
    <link type="text/css" rel="stylesheet" media="all" href="/sites/default/files/css/css_c39fe5037d9c59a98a7f5935f0d2c72c.css" />  
    <link type="text/css" rel="stylesheet" media="screen,projection" href="/sites/default/files/css/css_e9d3654c372888308db21c2cf9c8bef9.css" />  
<script type="text/javascript" src="/sites/default/files/js/js_9df92c4598b6c23d268898528359e8ae.js"></script>  
<script type="text/javascript">
  <!--//--><![CDATA[//><!--
  jQuery.extend(Drupal.settings, {"basePath":"\/","user_relationships_ui":{"loadingimage":"\/sites\/all\/modules\/user_relationships\/user_relationships_ui\/images\/loadingAnimation.gif","savingimage":"\/sites\/all\/modules\/user_relationships\/user_relationships_ui\/images\/savingimage.gif","position":{"position":"absolute","left":"0","top":"0"}},"popups":{"originalPath":"article\/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246\/commentaires","defaultTargetSelector":"div#content","template":"\x3cdiv id=\"popups\"\x3e\n  \x3cdiv id=\"popups-title\"\x3e\n    \x3cdiv id=\"popups-close\"\x3e\x3ca href=\"#\"\x3eFermer\x3c\/a\x3e\x3c\/div\x3e\n    \x3cdiv class=\"title\"\x3e%title\x3c\/div\x3e\n    \x3cdiv class=\"clear-block\"\x3e\x3c\/div\x3e\n  \x3c\/div\x3e\n  \x3cdiv id=\"popups-body\"\x3e%body\x3c\/div\x3e\n  \x3cdiv id=\"popups-buttons\"\x3e%buttons\x3c\/div\x3e\n  \x3cdiv id=\"popups-footer\"\x3e\x3c\/div\x3e\n\x3c\/div\x3e\n","modulePath":"sites\/all\/modules\/popups","popupFinalMessage":1},"commentaires":{"longueur_max":1500}});
  //--><!]]>
  </script>  
<script type="text/javascript" src="http://www.lefigaro.fr/components/ffw_base.js.php?charset=UTF-8"></script>
  </head>
  <body class="not-front not-logged-in page-article one-sidebar sidebar-right navbar">      
    <div id="nav-bar">      
      <div id="block-figaro_blocs-top" class="block block-figaro_blocs">  
        <div class="content clearfix">    
          <div id="login">  
            <ul id="topnav">              
              <!-- déconnecté -->       
              <li class="topnav-login">
                <a href="/user/login">Connectez-vous</a>
              </li>      
              <li class="topnav-register">
                <a href="/abonnement#xtor=AD-1-[Generique]-[Toolbar_Inscrivezvous]-[]-[TOUS]-[Toolbar_AccesGeneral]">Inscrivez-vous</a>
              </li>      
              <li>
              <a href="/statiques/presentation-cinema#xtor=AD-1-[Generique]-[Toolbar_Decouvrez_offres_Figaro]-[]-[TOUS]-[Toolbar_phrase]">Découvrez nos offres Mon Figaro</a>
              </li>      
            </ul>  
            <form action="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires"  accept-charset="UTF-8" method="post" id="figaro-compte-publi-note-button-form-top">
              <div>
                <input type="submit" name="op" id="edit-submit-publi-note" value="Publier note"  style="display:none; " class="form-submit" />
                <input type="hidden" name="cdf_email" id="edit-cdf-email" value=""  class="cdf_email" />
                <input type="hidden" name="cdf_pass" id="edit-cdf-pass" value=""  class="cdf_pass" />
                <input type="hidden" name="cdf" id="edit-cdf" value=""  />
                <input type="hidden" name="form_build_id" id="form-8e56b2f62524856c5378d168c1808179" value="form-8e56b2f62524856c5378d168c1808179"  />
                <input type="hidden" name="form_id" id="edit-figaro-compte-publi-note-button-form-top" value="figaro_compte_publi_note_button_form_top"  />
              </div>
            </form>
            <form action="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires"  accept-charset="UTF-8" method="post" id="figaro-compte-publi-video-button-form-top">
              <div>
                <input type="submit" name="op" id="edit-submit-publi-video" value="Publier video"  style="display:none; " class="form-submit" />
                <input type="hidden" name="cdf_email" id="edit-cdf-email-1" value=""  class="cdf_email" />
                <input type="hidden" name="cdf_pass" id="edit-cdf-pass-1" value=""  class="cdf_pass" />
                <input type="hidden" name="cdf" id="edit-cdf-1" value=""  />
                <input type="hidden" name="form_build_id" id="form-ce3096741ba4612bfd424ad9c00f2ba6" value="form-ce3096741ba4612bfd424ad9c00f2ba6"  />
                <input type="hidden" name="form_id" id="edit-figaro-compte-publi-video-button-form-top" value="figaro_compte_publi_video_button_form_top"  />
              </div>
            </form>
            <form action="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires"  accept-charset="UTF-8" method="post" id="figaro-compte-publi-poll-button-form-top">
              <div>
                <input type="submit" name="op" id="edit-submit-publi-poll" value="Publier sondage"  style="display:none; " class="form-submit" />
                <input type="hidden" name="cdf_email" id="edit-cdf-email-2" value=""  class="cdf_email" />
                <input type="hidden" name="cdf_pass" id="edit-cdf-pass-2" value=""  class="cdf_pass" />
                <input type="hidden" name="cdf" id="edit-cdf-2" value=""  />
                <input type="hidden" name="form_build_id" id="form-fabc101141929f479e84c42d0323c2dd" value="form-fabc101141929f479e84c42d0323c2dd"  />
                <input type="hidden" name="form_id" id="edit-figaro-compte-publi-poll-button-form-top" value="figaro_compte_publi_poll_button_form_top"  />
              </div>
            </form>
            <form action="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires"  accept-charset="UTF-8" method="post" id="figaro-compte-publi-image-button-form-top">
              <div>
                <input type="submit" name="op" id="edit-submit-publi-image" value="Publier photo"  style="display:none; " class="form-submit" />
                <input type="hidden" name="cdf_email" id="edit-cdf-email-3" value=""  class="cdf_email" />
                <input type="hidden" name="cdf_pass" id="edit-cdf-pass-3" value=""  class="cdf_pass" />
                <input type="hidden" name="cdf" id="edit-cdf-3" value=""  />
                <input type="hidden" name="form_build_id" id="form-48b8aefbced57cdfecb5ee7f75f71f89" value="form-48b8aefbced57cdfecb5ee7f75f71f89"  />
                <input type="hidden" name="form_id" id="edit-figaro-compte-publi-image-button-form-top" value="figaro_compte_publi_image_button_form_top"  />
              </div>
            </form>  
<script type='text/javascript'>  $('a.publi').click(function() {    var id = $(this).attr('id');    var reg = new RegExp('_', 'g');    var form_id = 'form#figaro-compte-' + id.replace(reg, '-') + '-button-form-top';    $(form_id).submit();    return false;  });</script>
          </div>  
        </div>    
      </div>    
    </div> 
    <!-- /nav-bar -->     
    <div id="page-wrapper" class="clearfix">    
      <div id="page">      
        <div id="header-wrapper">                  
<script type="text/javascript">
            ffw_displayHeader({userBar:false});
          </script>                          
          <div class="pub-header">
<script type='text/javascript'>publicite('10994', '151', new Array(null, null, null, null));</script>
          </div>                 
          <div id="navigation" class="menu  ">                             
          </div> 
          <!-- /navigation -->                 
          <div id="content-nav">                  
          </div> 
          <!-- /content-nav -->                  
          <div class="tabs-wrapper clearfix">            
            <h1 class="title" id="page-title">Réactions à l'article</h1>                      
          </div>               
        </div> 
        <!-- /header-wrapper -->      
        <div id="container" class="clearfix">        
          <div id="content-wrapper">                     
            <div id="content">             
              <div id="node-341246" class="node journaliste_court clear-block">
                <div class="node-inner">      
                  <div id="node-terms" class="clearfix">     
                    <ul class="links">
                      <li class="Actualités first last">
                        <a href="http://www.lefigaro.fr" rel="tag" title="">Actualités</a>
                      </li>
                    </ul>    
                  </div>
                  <!-- #node-terms -->     <h2>
                    <a href="http://www.lefigaro.fr/actualite-france/2010/12/03/01016-20101203ARTFIG00314-seine-saint-denis-un-policier-renverse-deliberement.php">Seine-Saint-Denis : un policier renversé «délibérément» </a></h2>    
                  <div class="meta">          
                    <div class="terms">Mots clés : 
                      <ul class="links">
                        <li class="CANNABIS first">
                          <a href="/tag/cannabis" rel="tag" title="">CANNABIS,</a>
                        </li>
                        <li class="drogue">
                          <a href="/tag/drogue" rel="tag" title="">drogue,</a>
                        </li>
                        <li class="policier">
                          <a href="/tag/policier" rel="tag" title="">policier,</a>
                        </li>
                        <li class="Ile-de-France">
                          <a href="/tag/ile-de-france" rel="tag" title="">Ile-de-France,</a>
                        </li>
                        <li class="Seine-Saint-Denis last">
                          <a href="/tag/seine-saint-denis" rel="tag" title="">Seine-Saint-Denis</a>
                        </li>
                      </ul>
                    </div>              03/12/2010 | Mise à jour : 12:02      
                  </div>        
                  <div class="submitted">Par 
                    <a href="http://plus.lefigaro.fr/page/lefigarofr-lefigarofr" title="La page de lefigaro.fr" class="journaliste">lefigaro.fr</a> 
                  </div>   
                </div>
              </div>
              <div class="box">  <h2>Réagir à cet article</h2>  
                <div class="content">
                  <form action="/articlesdv/20101203ARTFIG00314/commentaires"  accept-charset="UTF-8" method="post" id="comment-form">
                    <div>
                      <div class="form-item" id="edit-comment-wrapper"> 
                        <label for="edit-comment">Commentaire*: 
                          <span class="form-required" title="Ce champ est obligatoire.">*
                          </span>
                        </label> 
<textarea cols="60" rows="15" name="comment" id="edit-comment"  class="form-textarea resizable required"></textarea> 
                        <div class="description">Comments are limited to a maximum of 
                          <em>1500
                          </em> characters.
                        </div>
                      </div>
                      <input type="hidden" name="form_build_id" id="form-d2d966fc88807e12ecf7b5bd1cf9aa8e" value="form-d2d966fc88807e12ecf7b5bd1cf9aa8e"  />
                      <input type="hidden" name="form_id" id="edit-comment-form" value="comment_form"  />
                      <div class="form-item" id="edit-figaro-commentaires-email-wrapper"> 
                        <label for="edit-figaro-commentaires-email">e-mail*: 
                          <span class="form-required" title="Ce champ est obligatoire.">*
                          </span>
                        </label> 
                        <input type="text" maxlength="128" name="figaro_commentaires_email" id="edit-figaro-commentaires-email" size="60" value="" class="form-text required" />
                      </div>
                      <p>Votre email ne sera pas visible
                      </p>
                      <input type="submit" name="op" id="edit-publish" value="Valider"  class="form-submit" />
                    </div>
                  </form>
                </div>
              </div><h2>Réactions</h2>   
              <span class="field-flag_jaime">          
                <span class="field-prefix-jaime">2 personnes ont aimé cet article
                </span>        
                <span id="span-jaime" class="field-flag_jaime-message">    
                  <a href="http://plus.lefigaro.fr/flags/jaime/341246?destination=article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires" class="jaime jaimelogged" title="J'aime">J'aime</a>
                  <a href="http://plus.lefigaro.fr/user/login?destination=article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires" class="popups-form-reload jaime jaimenotlogged">J'aime</a>          (
                  <span class="highlight">2
                  </span>)       
                </span>
              </span>
              <a id="comment-4529261"></a>
              <div class="comment comment-published clear-block">
                <a href="/page/paul-56-22-345321" class="avatar">
                  <img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/avatar_selection/avatar-28.jpg" alt="Avatar" title="avatar de paul 56-22"  class="imagecache imagecache-X-small" width="50" height="50" /></a>
                <a href="http://plus.lefigaro.fr/page/paul-56-22-345321" title="La page de paul 56-22" class="user">paul 56-22</a>regardez   la police Brésilienne  exécution immédiate des  pourris  et pas  de parlottes stériles donc inutiles     
                <div class="timestamp">Le 3/12/2010 à 12:34    
                  <span class="lien-editer">
                  </span>    
                  <span class="lien-workflow">
                  </span>    
                  <span class="lien-alerter">
                    <a href="/figaro_workflow/comment/4529261/alerter">Alerter</a>
                  </span>    
                  <span class="lien-supprimer">
                  </span>    
                  <span class="lien-repondre">
                    <a href="/comment/reply/341246/4529261">Répondre</a>
                  </span>    
                </div>  
              </div>
              <a id="comment-4529217"></a>
              <div class="comment comment-published clear-block">
                <a href="/page/depresle" class="avatar">
                  <img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/pictures/picture-9451-5qgt28z.jpg" alt="Avatar" title="avatar de depresle"  class="imagecache imagecache-X-small" width="50" height="50" /></a>
                <a href="http://plus.lefigaro.fr/page/depresle" title="La page de depresle" class="user">depresle</a>Si au lieu de se polariser dans des batailles d'égos pour accéder au pouvoir et de rassembler toutes leurs forces, leur énergie, leurs cellules grises, leurs réseaux en vue de la présidentielle...nos politiques faisaient consensus....une fois...pour combattre sérieusement le fléaut de la grande délinquence, si les juges laissaient leur laxisme idéologique à la maison, si nos pauvres forces de l'ordre étaient davantage soutenues .....on n'en serait certainement pas là!!....Et si rien ne vient à changer dans la défense de droit de notre démocratie que deviendra le pauvre pays?!....     
                <div class="timestamp">Le 3/12/2010 à 12:29    
                  <span class="lien-editer">
                  </span>    
                  <span class="lien-workflow">
                  </span>    
                  <span class="lien-alerter">
                    <a href="/figaro_workflow/comment/4529217/alerter">Alerter</a>
                  </span>    
                  <span class="lien-supprimer">
                  </span>    
                  <span class="lien-repondre">
                    <a href="/comment/reply/341246/4529217">Répondre</a>
                  </span>    
                </div>  
              </div>
              <a id="comment-4528750"></a>
              <div class="comment comment-published clear-block">
                <a href="/page/jeanma86001-34063" class="avatar">
                  <img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/avatar_selection/avatar-36.jpg" alt="Avatar" title="avatar de jeanma86001"  class="imagecache imagecache-X-small" width="50" height="50" /></a>
                <a href="http://plus.lefigaro.fr/page/jeanma86001-34063" title="La page de jeanma86001" class="user">jeanma86001</a> Trois personnes ont été interpellés vendredi matin. Ils seront libérés après demain : voir l'autre article sur la libération &quot;par erreur&quot;.    
                <div class="timestamp">Le 3/12/2010 à 11:43    
                  <span class="lien-editer">
                  </span>    
                  <span class="lien-workflow">
                  </span>    
                  <span class="lien-alerter">
                    <a href="/figaro_workflow/comment/4528750/alerter">Alerter</a>
                  </span>    
                  <span class="lien-supprimer">
                  </span>    
                  <span class="lien-repondre">
                    <a href="/comment/reply/341246/4528750">Répondre</a>
                  </span>    
                </div>  
              </div>
              <a id="comment-4528723"></a>
              <div class="comment comment-published clear-block">
                <a href="/page/tsuper-188715" class="avatar">
                  <img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/images/188715.jpg" alt="Avatar" title="avatar de Tsuper"  class="imagecache imagecache-X-small" width="50" height="50" /></a>
                <a href="http://plus.lefigaro.fr/page/tsuper-188715" title="La page de Tsuper" class="user">Tsuper</a>Le gentil voleur, dealer, braqueur, victime de la société, pourchassé par de très méchants policiers à la solde d'un gouvernement incompétent ...voilà la belle histoire partagée par bien des français (cf les réactions ici). Tant que ces &quot;croyances&quot; règneront, il sera difficile d'apporter de sérieux changements.     
                <div class="timestamp">Le 3/12/2010 à 11:41    
                  <span class="lien-editer">
                  </span>    
                  <span class="lien-workflow">
                  </span>    
                  <span class="lien-alerter">
                    <a href="/figaro_workflow/comment/4528723/alerter">Alerter</a>
                  </span>    
                  <span class="lien-supprimer">
                  </span>    
                  <span class="lien-repondre">
                    <a href="/comment/reply/341246/4528723">Répondre</a>
                  </span>    
                </div>  
              </div>
              <a id="comment-4528605"></a>
              <div class="comment comment-published clear-block">
                <a href="/page/pa4033-438323" class="avatar">
                  <img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/pictures/picture-57179.jpg" alt="Avatar" title="avatar de pa4033"  class="imagecache imagecache-X-small" width="50" height="50" /></a>
                <a href="http://plus.lefigaro.fr/page/pa4033-438323" title="La page de pa4033" class="user">pa4033</a>Confions l'injustice à la justice ou l'inverse,je ne sais plus!                                               Paul    
                <div class="timestamp">Le 3/12/2010 à 11:30    
                  <span class="lien-editer">
                  </span>    
                  <span class="lien-workflow">
                  </span>    
                  <span class="lien-alerter">
                    <a href="/figaro_workflow/comment/4528605/alerter">Alerter</a>
                  </span>    
                  <span class="lien-supprimer">
                  </span>    
                  <span class="lien-repondre">
                    <a href="/comment/reply/341246/4528605">Répondre</a>
                  </span>    
                </div>  
              </div>
              <a id="comment-4528597"></a>
              <div class="comment comment-published clear-block">
                <a href="/page/djurdjuralr-437382" class="avatar">
                  <img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/avatar_selection/avatar-06.jpg" alt="Avatar" title="avatar de DjurdjuraLR"  class="imagecache imagecache-X-small" width="50" height="50" /></a>
                <a href="http://plus.lefigaro.fr/page/djurdjuralr-437382" title="La page de DjurdjuraLR" class="user">DjurdjuraLR</a>J'aime bien les guillemets de &quot;délibéremment&quot; ... On se croirait chez Libé !!!    
                <div class="timestamp">Le 3/12/2010 à 11:30    
                  <span class="lien-editer">
                  </span>    
                  <span class="lien-workflow">
                  </span>    
                  <span class="lien-alerter">
                    <a href="/figaro_workflow/comment/4528597/alerter">Alerter</a>
                  </span>    
                  <span class="lien-supprimer">
                  </span>    
                  <span class="lien-repondre">
                    <a href="/comment/reply/341246/4528597">Répondre</a>
                  </span>    
                </div>  
              </div>
              <a id="comment-4528517"></a>
              <div class="comment comment-published clear-block">
                <a href="/page/whygreedy-254871" class="avatar">
                  <img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/avatar_selection/avatar-07.jpg" alt="Avatar" title="avatar de whygreedy"  class="imagecache imagecache-X-small" width="50" height="50" /></a>
                <a href="http://plus.lefigaro.fr/page/whygreedy-254871" title="La page de whygreedy" class="user">whygreedy</a>Humour Auvergnat:&quot; Il faut attendre le résultat de l'enquête pour savoir qui du policier ou de l'automobiliste a foncé sur qui! En effet rien ne prouve à l'heure actuelle que le Taser ait été utilisé avec l'intention de Taser!&quot;    
                <div class="timestamp">Le 3/12/2010 à 11:23    
                  <span class="lien-editer">
                  </span>    
                  <span class="lien-workflow">
                  </span>    
                  <span class="lien-alerter">
                    <a href="/figaro_workflow/comment/4528517/alerter">Alerter</a>
                  </span>    
                  <span class="lien-supprimer">
                  </span>    
                  <span class="lien-repondre">
                    <a href="/comment/reply/341246/4528517">Répondre</a>
                  </span>    
                </div>  
              </div>
              <a id="comment-4528502"></a>
              <div class="comment comment-published clear-block">
                <a href="/page/pierre-lenoir" class="avatar">
                  <img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/avatar_selection/avatar-11.jpg" alt="Avatar" title="avatar de Pierre4"  class="imagecache imagecache-X-small" width="50" height="50" /></a>
                <a href="http://plus.lefigaro.fr/page/pierre-lenoir" title="La page de Pierre4" class="user">Pierre4</a>Pas de communiqué du mrap-licra-sos machin-ldh-cfcm-npa-cran ? Ah ! oui, c'est vrai dans ce sens, pour eux c'est normal.............    
                <div class="timestamp">Le 3/12/2010 à 11:22    
                  <span class="lien-editer">
                  </span>    
                  <span class="lien-workflow">
                  </span>    
                  <span class="lien-alerter">
                    <a href="/figaro_workflow/comment/4528502/alerter">Alerter</a>
                  </span>    
                  <span class="lien-supprimer">
                  </span>    
                  <span class="lien-repondre">
                    <a href="/comment/reply/341246/4528502">Répondre</a>
                  </span>    
                </div>  
              </div>
              <a id="comment-4528489"></a>
              <div class="comment comment-published clear-block">
                <a href="/page/le-sanglier-206442" class="avatar">
                  <img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/pictures/picture-11322-5qm7gpg.jpg" alt="Avatar" title="avatar de Le Sanglier"  class="imagecache imagecache-X-small" width="50" height="50" /></a>
                <a href="http://plus.lefigaro.fr/page/le-sanglier-206442" title="La page de Le Sanglier" class="user">Le Sanglier</a>Pourquoi avoir mis le mot &quot;délibérément&quot; entre guillements? Vive le Pen, le Front au pouvoir en 2012, si nous ne voulons pas que la France disparaisse.    
                <div class="timestamp">Le 3/12/2010 à 11:20    
                  <span class="lien-editer">
                  </span>    
                  <span class="lien-workflow">
                  </span>    
                  <span class="lien-alerter">
                    <a href="/figaro_workflow/comment/4528489/alerter">Alerter</a>
                  </span>    
                  <span class="lien-supprimer">
                  </span>    
                  <span class="lien-repondre">
                    <a href="/comment/reply/341246/4528489">Répondre</a>
                  </span>    
                </div>  
              </div>
              <a id="comment-4528488"></a>
              <div class="comment comment-published clear-block">
                <a href="/page/pierre-lenoir" class="avatar">
                  <img src="http://plus.lefigaro.fr/sites/default/files/imagecache/X-small/avatar_selection/avatar-11.jpg" alt="Avatar" title="avatar de Pierre4"  class="imagecache imagecache-X-small" width="50" height="50" /></a>
                <a href="http://plus.lefigaro.fr/page/pierre-lenoir" title="La page de Pierre4" class="user">Pierre4</a>On comprend mieux la dernière votation suisse.....    
                <div class="timestamp">Le 3/12/2010 à 11:20    
                  <span class="lien-editer">
                  </span>    
                  <span class="lien-workflow">
                  </span>    
                  <span class="lien-alerter">
                    <a href="/figaro_workflow/comment/4528488/alerter">Alerter</a>
                  </span>    
                  <span class="lien-supprimer">
                  </span>    
                  <span class="lien-repondre">
                    <a href="/comment/reply/341246/4528488">Répondre</a>
                  </span>    
                </div>  
              </div>
              <div class="item-list">
                <ul class="pager comments-pager">
                  <li class="pager-current first">1
                  </li>
                  <li class="pager-item">
                    <a href="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires?page=1" title="Aller à la page 2" class="active">2</a>
                  </li>
                  <li class="pager-item">
                    <a href="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires?page=2" title="Aller à la page 3" class="active">3</a>
                  </li>
                  <li class="pager-item">
                    <a href="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires?page=3" title="Aller à la page 4" class="active">4</a>
                  </li>
                  <li class="pager-item">
                    <a href="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires?page=4" title="Aller à la page 5" class="active">5</a>
                  </li>
                  <li class="pager-item">
                    <a href="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires?page=5" title="Aller à la page 6" class="active">6</a>
                  </li>
                  <li class="pager-item">
                    <a href="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires?page=6" title="Aller à la page 7" class="active">7</a>
                  </li>
                  <li class="pager-item">
                    <a href="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires?page=7" title="Aller à la page 8" class="active">8</a>
                  </li>
                  <li class="pager-item">
                    <a href="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires?page=8" title="Aller à la page 9" class="active">9</a>
                  </li>
                  <li class="pager-ellipsis">…
                  </li>
                  <li class="pager-next last">
                    <a href="/article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires?page=1" title="Aller à la page suivante" class="active">suivant*›</a>
                  </li>
                </ul>
              </div>                      
            </div> 
            <!-- /content -->        
          </div> 
          <!-- /content-wrapper -->                  
          <div id="vitrine-wrapper">                      
            <div id="vitrine" class="column sidebar">              
              <div id="block-figaro_contenttype-Vitrine_Ffw" class="block block-figaro_contenttype">  
                <div class="content clearfix">    
<script type='text/javascript'>ffw_displayVitrine();</script>  
                </div>    
              </div>            
            </div> 
            <!-- /vitrine -->                    
          </div> 
          <!-- /vitrine-wrapper -->               
        </div> 
        <!-- /container -->    
      </div> 
      <!-- /page -->    
      <div id="morris-wrapper">      
        <div id="morris">               
        </div> 
        <!-- /morris -->    
      </div> 
      <!-- /morris-wrapper -->  
    </div>
    <!-- #page-wrapper -->  
    <div class="pub-footer-wrapper">    
      <div class="pub-footer">
<script type='text/javascript'>publicite('10994', '582', new Array(null, null, null, null));</script>
      </div>  
    </div>  
    <div id="footer-wrapper">          
<script type="text/javascript">
            ffw_displayFooter();
          </script>  
    </div> 
    <!-- /footer-wrapper -->  
<script type='text/javascript'>  var xtpage_prev = 'article::seine-saint-denis-un-policier-renverse-deliberement-20101203-341246::commentaires::article/seine-saint-denis-un-policier-renverse-deliberement-20101203-341246/commentaires';  xt_pagetype = 'article';  if (window.xtparam!=null) {    window.xtparam+='&ptype='+xt_pagetype;  } else {    xtparam = '&ptype='+xt_pagetype;  };  xt_an = '';  xt_ac = '';  if (window.xtparam!=null){    window.xtparam+='&ac='+xt_ac+'&an='+xt_an;    window.xtparam+='&ac='+xt_ac+'&an='+xt_an;  } else {    window.xtparam = '&ac='+xt_ac+'&an='+xt_an;  };  tnv = document;  xtsd = 'http://logc111';  xtsd = 'http://logc111';  xtsite = '411548';  xtn2 = '10';  xtpage = xtpage_prev;  xtdi = '';</script>
<script type='text/javascript' src='http://www.lefigaro.fr/scripts/xiti/xtcore.js'></script>
    <div id="user_relationships_popup_form" class="user_relationships_ui_popup_form">
    </div>
  </body>
</html>

Certaines balises meta ne sont pas fermées, du coup, difficile pour un parseur de travailler.

[QUOTE=djibril;5632675]En téléchargeant le contenu de cette page et en le reformattant via un éditeur de texte, on s'aperçoit qu'il n'est pas valide.

Hm hm...

Lemonde a l'air très mal xml-isé mais
- j'ai la même erreur avec tous les journaux (leparisien, le figaro...) et blogs rioufol...) dont le code XTHML a meilleure allure (ça ferme correctement les scopes, etc.)
- le valideur de XML du W3 trouve de nombreuses erreurs sur tous.

J'aimeris pouvoir utiliser Twig.
(Je corresponds un peu avec Michael Rodriguez).
Puisque Twig procède d'abord suivant une approche Sax en ensuite seulement suivant une approche DOM, il devrait être tout terrain, non ?

Sinon, cuisine plus indigeste avec les autres modules.

Au fait, l'erreur indiquée est sur XML::Parse.pm, pas sur ce qui est spécifique à Twig.

(edit: mignon le smiliie automatique, pour XML :: Parse.pm)

La validation du XML dpuis XML::Twig se fait via XML::Parser. De toute façon, je ne vois pas comment parser proprement un XML non valide.

Si tu n'as pas beaucoup d'info à récupérer, tu peux utiliser des regex, mais si c'est la pire des méthodes :aie:

Citation:

Envoyé par djibril

La validation du XML dpuis XML::Twig se fait via XML::Parser. De toute façon, je ne vois pas comment parser proprement un XML non valide.

Si tu n'as pas beaucoup d'info à récupérer, tu peux utiliser des regex, mais si c'est la pire des méthodes :aie:

a) le nettoyer par http://www.w3.org/People/Raggett/tidy/
mais c'est intrusif
b) découper par regexp la zone de commentaires en supposant qu'elle, elle est propre (pusiqu'elle a une structure assez simple); et la rhabiller en XHTML valide en la réencadrant par en-tête, <head> etc., <body> etc.
c) ou la découper par du sax

Il est quand même bizarre qu'avec la pratique les sites de journaux ou de blogs ne soient pas conformes.

Beaucoup de gens ont dû plancher là-dessus, non ?

Sinon utilise le module HTML::Parser.

Citation:

Envoyé par djibril

Sinon utilise le module HTML::Parser.

ou plus élaboré (j'explore):
scrappy
treebuilder
text::scraper
www::scraper

Quelqu'un connaît ?