Alguém poderia me explicar o que esse Regex permite?
private static final String MAIL_PATTERN = "^[_A-Za-z0-9-\\+]+(\\.[_A-Za-z0-9-]+)*@[A-Za-z0-9-]+(\\.[A-Za-z0-9]+)*(\\.[A-Za-z]{2,})$";
Alguém poderia me explicar o que esse Regex permite?
private static final String MAIL_PATTERN = "^[_A-Za-z0-9-\\+]+(\\.[_A-Za-z0-9-]+)*@[A-Za-z0-9-]+(\\.[A-Za-z0-9]+)*(\\.[A-Za-z]{2,})$";
Basicamente, esta regex verifica se uma String
corresponde a um endereço de email. Mas ela também pode acabar aceitando coisas "estranhas" (mais sobre isso no final).
^[_A-Za-z0-9-\\+]+(\\.[_A-Za-z0-9-]+)*@[A-Za-z0-9-]+(\\.[A-Za-z0-9]+)*(\\.[A-Za-z]{2,})$
^
e $
são marcadores que significam, respectivamente, o início e fim da string. Com isso você garante que a string só terá o que está na regex (sem esses marcadores, é possível verificar se somente parte da string corresponde à regex).
Os colchetes ([]
) definem uma classe de caracteres: eles servem para indicar que você quer qualquer caractere que esteja dentro deles. Por exemplo, [abc]
significa "a letra a
ou a letra b
ou a letra c
" (apenas uma delas, qualquer uma serve).
Só que dentro dos colchetes você pode usar alguns atalhos, como A-Z
, que significa "letras de A
a Z
" (maiúsculas). De modo similar, a-z
significa "letras minúsculas de a
a z
" e 0-9
significa "dígitos de 0
a 9
".
Ou seja, [_A-Za-z0-9-\\+]
significa "o caractere _
ou letras (maiúsculas ou minúsculas) ou dígitos ou hífen (-
) ou o sinal de mais (+
)". As duas barras invertidas seriam para escapar o +
, mas creio que dentro dos colchetes não seja necessário. Nos meus testes não fez diferença, mas de qualquer modo, deixei assim mesmo (a sintaxe de regex diz que apenas um \
é usado para escape, mas como estamos dentro de uma String
, precisamos colocar \\
).
O detalhe é que "qualquer coisa dentro de colchetes" é uma expressão que corresponde a apenas um caractere. Se você quiser mais ocorrências, deve usar os quantificadores, e foi isso que fizemos colocando um +
depois dos colchetes:
[_A-Za-z0-9-\\+]+
^
Fora dos colchetes, o +
significa "uma ou mais ocorrências" do que está imediatamente antes dele. No caso, é uma ou mais ocorrências de "caractere _
ou letras (maiúsculas ou minúsculas) ou dígitos ou hífen (-
) ou o sinal de mais (+
)". Ou seja, strings como abc
, A124_fadfd-a12
e até mesmo +_a
são consideradas válidas por esta expressão.
Em seguida temos (\\.[_A-Za-z0-9-]+)*
. Vamos começar com o que está dentro dos parênteses:
\\.
: corresponde ao caractere ponto (.
). Está escapado com barra invertida porque o ponto tem significado especial em regex (significa "qualquer caractere"). Usando a barra invertida, ele "perde seus poderes" e vira um caractere comum[_A-Za-z0-9-]+
: similar ao caso anterior, é uma ou mais ocorrências de _
, ou letras, ou números, ou hífenJuntas, essas 2 partes acima são "um ponto, seguido de uma ou mais letras/números/hífens/underlines".
Só que tudo isso está entre parênteses, e logo depois tem um *
. Isso quer dizer "zero ou mais ocorrências do que está dentro dos parênteses". Ou seja, essa sequência "um ponto, seguido de uma ou mais letras/números/hífens/underlines" pode ocorrer várias vezes (ou nenhuma). Podemos ter strings como .abc.cde123.fgh
ou simplesmente não ter nada.
Juntando isso com a expressão anterior, temos a primeira parte do email (antes do @
), que pode ser desde um username comum (como joaosilva
) até coisas mais complicadas como 32teste.abd2-cdef12_4232.xyz.afd
.
Em seguida, temos um @
, que corresponde ao próprio caractere "arroba".
Agora temos a segunda parte do email, depois do @
.
Primeiro temos [A-Za-z0-9-]+
(uma ou mais letras/números/hífens).
Depois temos (\\.[A-Za-z0-9]+)*
, cuja lógica já vimos. Neste caso, significa "zero ou mais repetições de (ponto seguido de letras/números)". Isso serve para domínios como algum.nome.comprido.com.br
: os trechos .nome
, .comprido
e .com
correspondem a esta expressão.
Por fim, temos (\\.[A-Za-z]{2,})
. O quantificador {2,}
significa "duas ou mais ocorrências". Portanto, esta expressão significa "ponto, seguido de 2 ou mais letras". Com isso, o domínio do email não pode terminar com .a
ou .b
, por exemplo, é preciso ter pelo menos duas letras.
Juntando as 3 expressões acima, temos o domínio do endereço de email, que pode ser desde gmail.com
até endereços com vários sub-domínios, como a333-bcd.abc.co.uk
.
Infelizmente, validar emails não é tão simples quanto parece. Há regras demais (cada parte do email tem um limite de tamanho, o domínio também pode ser um endereço IP, etc), e quanto mais precisa é a regex, mais complicada ela fica - veja estes exemplos, só para ter uma ideia. E quanto mais simples (ou menos complicada), maior a chance de falsos positivos.
A regex em questão, por exemplo, aceita emails como [email protected]
e [email protected]
(veja aqui ela funcionando). Isso acontece porque usamos o hífen dentro dos colchetes e com quantificadores (uma ou mais ocorrências), por isso uma String
com vários hífens é considerada válida.
Da mesma forma, no primeiro par de colchetes há um caractere +
, e estes colchetes tem um quantificador +
(uma ou mais ocorrências), então a regex considera que [email protected]
é um email válido (veja aqui). Tecnicamente, segundo a RFC 5322, acredito que até seja, mas cabe a você decidir se seu sistema vai aceitar tais endereços.
Outro problema é que ela não verifica os limites de tamanho de cada parte, nem aceita endereços IP no lugar do domínio (só para citar alguns casos). O fato é que, para cada regra a mais que você tenta colocar, mais difícil vai ficando: veja neste link como a regex vai ficando cada vez mais complicada a cada vez que adicionamos uma regra.
No fim, você deve achar um meio-termo adequado para os seus casos de uso. Uma regex muito complicada pode virar um problema de manutenção futura (pegue uma das expressões dos links indicados; se já é difícil entender, imagine se tiver que modificar para adicionar um caso novo ou corrigir algum bug).
Considere os prós e contras: simplificar a regex significa abrir mão da precisão em troca de facilidade de manutenção (mas você passa a ter mais falsos positivos). E deixá-la mais precisa pode levar àqueles códigos complicados que todos têm medo de mexer.
O quão ruim será aceitar alguns emails inválidos (ou "estranhos", como [email protected]
ou [email protected]
, ou ainda [email protected]
, todos considerados válidos pela regex em questão)? O quão ruim será não aceitar alguns casos válidos? E o que são casos válidos? user@localhost
pode ser um caso válido, dependendo da situação, mas esta regex considera que é inválido. Algumas soluções pela internet consideram que a primeira parte (antes do @
) também pode ter caracteres como %
, $
e !
(que a sua regex não considera).
Para não aceitar os casos "estranhos" (ou ao menos minimizá-los), você pode alterar a regex para aceitar emails que comecem somente com letras, por exemplo, colocando esta condição logo após o ^
:
^[A-Za-z][_A-Za-z0-9-\\+]+.... (o resto é igual)
^^^^^^^^
Com isso, o primeiro caractere deve ser uma letra, e o restante pode ser "uma ou mais letras/números/hífens/underlines/sinal de mais" etc. A regex ainda vai aceitar [email protected]
, mas você pode adicionar uma regra que não aceite dois +
seguidos, etc (percebe o padrão "quanto mais regras, mais complicado fica"?).
Cabe a você testar, analisar seus casos de uso e decidir por um caminho. Regex é uma ferramenta extremamente poderosa (e na minha opinião, muito legal), mas nem sempre é a melhor solução para tudo.
Talvez uma solução mais simples seja separar em várias expressões (faz um split
no @
e verifica cada parte com uma regex diferente), o que pode ser mais fácil (de fazer, entender e manter) do que uma super-regex-monstruosa-que-faz-tudo. Outra solução é usar uma lib externa.
Alguns tutoriais úteis sobre regex: