Quelle syntaxe pour une adresse de courriel ?

[ publication dans fr.comp.lang.php et fr.comp.mail,
suivi dans fr.comp.mail seul ]

Bonjour,

Lassé de voir tant de fonctions de contrôle des adresses de courriel
incorrectes, qui refusent par exemple les adresses « plussées » comme
la mienne (om+news en partie gauche) mais aussi les TLD¹ de plus de
trois caractères tels que .name, .aero ou .museum, j'ai l'intention de
faire inclure dans la FAQ de fr.comp.lang.php une fonction correspondant
mieux à la réalité.

Du coup, j'ai lu les RFC 952 et 1035 (noms de domaine), 2822 (format de
messages), 3696, et d'autres.

Il en ressort les choses suivantes.

1) Pour la partie gauche, avant l'arrobe (@)
--------------------------------------------
1a) Cette partie est composée d'une ou plusieurs sous-parties séparées
par des points (.).
1b) Chaque sous-partie est constituée d'au moins un caractère (donc on
n'a pas de point au début, ni à la fin, et on ne peut pas non plus
avoir deux points de suite.
1c) Les caractères suivants peuvent être utilisés tels quels, sans
protection :
- les lettres majuscules et minuscules sans accent (A à Z et a à z)
- les chiffres (0 à 9)
- les caractères !#$%&'*+-/=?^_`{|}
1d) Cela étant, on peut toujours utiliser d'autres caractères, y
compris l'espace ( ) et l'arrobe (@) à condition de les protéger,
par exemple <"John@Doe"@example.com> ou <John\ Doe@example.com>.

2) Pour la partie droite, après l'arrobe (@)
--------------------------------------------
2a) Cette partie est aussi composée d'une ou plusieurs sous-parties
séparées par des points (.).
2b) Là encore chaque sous-partie est constituée d'au moins un caractère.
2c) D'après le RFC 952, la syntaxe de chaque sous-partie est très
stricte :
- d'abord une lettre (A à Z ou a à z)
- suivie éventuellement par un certain nombre de lettres, de
chiffres (0 à 9) et de traits d'union (-)
- mais ne pouvant finir que par une lettre ou un chiffre (donc
pas un trait d'union
2d) D'après le RFC 1035, la syntaxe décrite ci-dessus n'est qu'une
« preferred syntax », tandis qu'en réalité à peu près n'importe
quelle chaîne de bits pourrait être stockée dans un DNS.
2e) L'expérience montre que les noms de sous-domaine ne commencent
pas forcément par une lettre, et d'ailleurs ne contiennent même pas
obligatoirement de lettre (ex : 123.net ou 93.fr).
2f) En revanche, il semble établi que le trait d'union ne peut jamais
être le premier ni le dernier caractère d'un nom de sous-domaine.
2g) Le RFC 1035 limite chaque nom de sous-domaine à 63 octets au
maximum, et le FQDN² à 255 octets au maximum.
2h) Le RFC 3696 considère qu'en dehors des applications chargées de
gérer les TLD eux-mêmes, tout nom de domaine devrait être un FQDN
avec donc au moins un point (.) séparant deux sous-domaines.

3) Pour l'ensemble
------------------
Le RFC 3696 limite la partie gauche à 64 octets au maximum, soit un
total de 320 octets au maximum pour l'adresse complète (64+1+255).


Tout ceci étant posé, j'envisage de conserver les règles suivantes :
(1a), (1b) et (1c) ; (2a), (2b), (2f), (2g) et (2h) ; (3). J'éliminerais
la possibilité (1d). Quant à (2c), (2d) et (2e), j'utiliserais une règle
(2c) assouplie pour accepter un chiffre comme premier caractère de
chaque sous-domaine (ce qui légitime les adresses constatées en (2e)).


En PHP, je construirais donc les expressions rationnelles suivantes :
// partie gauche
$atext = '[A-Za-z0-9!#$%&\'*+/=?^_`{|}-]';
$atom = "$atext+"
$leftpart = "$atom(\.$atom)*";
// partie droite
$letdig = '[A-Za-z0-9]';
$letdighyp = '[A-Za-z0-9-]';
$subdomain = "$letdig($letdighyp{0,61}$letdig)?";
$domain = "$subdomain(\.$subdomain)+";
// expression globale
$regexp = "$leftpart@$domain";

Il ne resterait plus qu'à tester indépendamment les longueurs max
respectives des parties gauche et droite (64 à gauche, 255 à droite).


En espérant ne pas vous avoir assommés avec ce long article, j'espère
avoir vos réactions.

Cordialement,
--
Olivier Miakinen
¹ TLD = Top level domain = domaine de premier niveau
² FQDN = Fully-qualified domaine name = nom de domaine complet