L'analyse de sentiment ciblée à domaine ouvert vise à détecter les cibles d'opinion ainsi que leurs polarités de sentiment dans une phrase. Les travaux antérieurs formulent généralement cette tâche comme un problème d'étiquetage de séquence. Cependant, une telle formulation souffre de problèmes tels qu'un espace de recherche considérable et une incohérence des sentiments. Pour résoudre ces problèmes, nous proposons un cadre basé sur les spans (intervalles) d'extraction puis de classification, où plusieurs cibles d'opinion sont directement extraites de la phrase sous la supervision des limites des spans cibles, et leurs polarités correspondantes sont ensuite classifiées en utilisant leurs représentations de span. Nous examinons également trois approches dans ce cadre : le modèle en cascade, le modèle conjoint et le modèle réduit. Les expériences menées sur trois jeux de données de référence montrent que notre approche dépasse constamment la méthode de base basée sur l'étiquetage de séquence. De plus, nous constatons que le modèle en cascade obtient les meilleures performances par rapport aux deux autres modèles.