Superativement analyser html (avec lxml?)

Je tente actuellement d'analyser itérablement un très grand document HTML (je sais .. yuck) pour réduire la quantité de mémoire utilisée. Le problème que je vais avoir, c'est que je reçois des erreurs de syntaxe XML telles que:

lxml.etree.xmlsyntaxError: nom d'attribut redéfini, ligne 134, colonne 59 code> p>

Cela provoque alors tout ce qui est à cesser. P>

existe un moyen d'analyser itérative HTML sans étouffer les erreurs de syntaxe? P>

Au moment où j'explète le numéro de ligne de l'erreur de syntaxe XML Exception, supprimant cette ligne du document, puis redémarrer le processus. On dirait une solution assez dégoûtante. Existe-t-il une meilleure façon? P>

EDIT: strong> p>

C'est ce que je fais actuellement: p>

context = etree.iterparse(tfile, events=('start', 'end'), html=True)
in_table = False
header_row = True
while context:
    try:
        event, el = context.next()

        # do something

        # remove old elements
        while el.getprevious() is not None:
            del el.getparent()[0]

    except etree.XMLSyntaxError, e:
        print e.msg
        lineno = int(re.search(r'line (\d+),', e.msg).group(1))
        remove_line(tfilename, lineno)
        tfile = open(tfilename)
        context = etree.iterparse(tfile, events=('start', 'end'), html=True)
    except KeyError:
        print 'oops keyerror'