メールアドレスのパース

2012/05/03
きちんとCcヘッダやToヘッダのメールアドレスを調べるには単純な [^ ]+@[^ ]+ じゃだめなのでその辺りのメモ。正規表現のみでやろうとすると多分いらない苦労をする。

$Cc にある内容からメールアドレス、もしくはコメントを切り出す。結果は @addrsに格納される。
Wikipediaのメールアドレスのページで利用可能な文字を加味した正規表現を作った。

addrcheck.pl

my $Cc = 'abc@hoge.jp,"def@hoge.jp",jkl@hoge.jp,ThisIsTest,mno@hoge.jp,"this is test"@hoge.jp';
my @addrs = $Cc =~/"(?:\\"|\\\\|[a-zA-Z0-9\.!#$%&'*+\-\/=\?\^_\`\{\|\}~ \(\)<>\[\]:;,@])+"(?!@)|\((?:\\"|\\\\|[a-zA-Z0-9\.!#$%&'*+\-\/=\?\^_\`\{\|\}~ \(\)<>\[\]:;,@])+\)|[a-zA-Z0-9\.!#$%&'*+\-\/=\?\^_\`\{\|\}\~]+@[a-zA-Z0-9\.-]+|"(?:\\"|\\\\|[a-zA-Z0-9\.!#$%&'*+\-\/=\?\^_\`\{\|\}\~ \(\)<>\[\]:;,@])+"@[a-zA-Z0-9\.-]+/g;
 
$i=1;
print "****\n$Cc\n****\n";
foreach my $ml ( @addrs )
{
  $a = ($ml =~ /^["\(].+["\)]$/) ? " " : "*";
  printf("%03i: %1s [%s]\n", $i, $a, $ml);
  $i++;
}

これを実行すると、

****
abc@hoge.jp,"def@hoge.jp",jkl@hoge.jp,ThisIsTest,mno@hoge.jp,"this is test"@hoge.jp
****
001: * [abc@hoge.jp]
002:   ["def@hoge.jp"]
003: * [jkl@hoge.jp]
004: * [mno@hoge.jp]
005: * ["this is test"@hoge.jp]

となり、001,003,004,005 がメールアドレスと判断される。コメントまで検出しているのは、正規表現が面倒な事になるから。 切り出したあとに、コメントを弾いてしまえばいいじゃない。

Wikipediaのメールアドレスのページによれば 005 の形式も正しい事になるらしい。

ここで切り出しした他、ローカルパート部の検証

• ドットで始まっていないか
• ドットで終わっていないか
• ドットが連続していないか
• ローカルパート部の長さは64文字以内か

もしておくべきかもしれない。 しかし、受信したメールのヘッダに記述のあるものなら、上記についてはクリアしていると考えても差し支えないと思う。

また、“support@[192.0.2.69]” のようなドメイン部がブランケットで囲まれたIPアドレスもありらしいけど、実際に使われている様子が無いなら無視でもいいんじゃないかなと思う。
※このサンプルコードでは実際にその形式は検出してない。

サンプルコードの正規表現では４つの文字列にマッチングする。メールアドレス(2形式)と、名前、コメント、の計4つ。

検出した内容から、メールアドレス形式ではないものを弾けばいい。無理にメールアドレスのみ検出しようとすると、コメント内に書かれたメールアドレス的文字列をどのように排除すべきか、かなり悩む事になる。

ダブルクォートで囲ったコメント。直後に『@』があるとダブルクォートで囲まれたローカルパート部にもマッチングしてしまうため。

"(?:\\"|\\\\|[a-zA-Z0-9\.!#$%&'*+\-\/=\?\^_\`\{\|\}~ \(\)<>\[\]:;,@])+"(?!@)

括弧で囲まれたコメントを検出。

\((?:\\"|\\\\|[a-zA-Z0-9\.!#$%&'*+\-\/=\?\^_\`\{\|\}~ \(\)<>\[\]:;,@])+\)

[a-zA-Z0-9\.!#$%&'*+\-\/=\?\^_\`\{\|\}\~]+@[a-zA-Z0-9\.-]+

"(?:\\"|\\\\|[a-zA-Z0-9\.!#$%&'*+\-\/=\?\^_\`\{\|\}\~ \(\)<>\[\]:;,@])+"@[a-zA-Z0-9\.-]+