IPv6Addressを正規表現でマッチする。 - 設計と実装の狭間で。

より正しい正規表現を別なエントリとして記述しました。

IPv6アドレスをより妥当な正規表現でマッチする。

以下の内容は、僕が自力で頑張った為、正規表現として不適切な部分があります。

IPv6アドレスのフォーマットが良く分からないので、正規表現で書き下す事で理解しようと試みます。
そこそこ良い感じに出来た様な気がしないでも無いのだけど、正しくない部分も相応にあります。
結論としては、大体こういう正規表現になりました。
どの正規表現もポート番号部分が無くてもひっかかります。

IPv4アドレスとポート番号がセットになっているものをマッチする。

(25[0-5]|2[0-4]\d|[0-1]?\d?\d)(\.(25[0-5]|2[0-4]\d|[0-1]?\d?\d)){3}(:\d{1,4})?

IPv6アドレスとポート番号がセットになっているものをマッチする。

(([0-9a-f]{1,4})(:([0-9a-f]{1,4})){7}((\.|#|p| port )\d{1,4})?)|\[([0-9a-f]{1,4})(:([0-9a-f]{1,4})){7}\]:\d{1,4}

IPv6アドレスの末尾がIPv4アドレスになっているものをマッチする。ポート番号については考慮しない

(([0-9a-f]{1,4}):){6}(25[0-5]|2[0-4]\d|[0-1]?\d?\d)(\.(25[0-5]|2[0-4]\d|[0-1]?\d?\d)){3}

圧縮済みのIPv6アドレスとポート番号がセットになっているものをマッチする。

((([0-9a-f]{1,4})(:([0-9a-f]{1,4})){0,5})?::(([0-9a-f]{1,4})(:([0-9a-f]{1,4})){0,5})?((\.|#|p| port )\d{1,4})?)|\[(([0-9a-f]{1,4})(:([0-9a-f]{1,4})){0,5})?::(([0-9a-f]{1,4})(:([0-9a-f]{1,4})){0,5})?\]:\d{1,4}

圧縮済みのIPv6アドレスの末尾がIPv4アドレスになっており更にポート番号がセットになっているものをマッチする。

((([0-9a-f]{1,4})(:([0-9a-f]{1,4})){0,5})?::(([0-9a-f]{1,4}):){0,5}(25[0-5]|2[0-4]\d|[0-1]?\d?\d)(\.(25[0-5]|2[0-4]\d|[0-1]?\d?\d)){3}((\.|#|p| port )\d{1,4})?)|\[(([0-9a-f]{1,4})(:([0-9a-f]{1,4})){0,5})?::(([0-9a-f]{1,4}):){0,5}(25[0-5]|2[0-4]\d|[0-1]?\d?\d)(\.(25[0-5]|2[0-4]\d|[0-1]?\d?\d)){3}\]:\d{1,4}

JUnit4で動作するテストコードをGistにアップしました。

AddressTest.java

制限事項と言うか、どうしても僕が正規表現で記述出来なかった部分があります。
僕の書いた正規表現では、例えばこういうアドレスもマッチしてしまいます。

2001:db8:aaaa:bbbb:cccc:dddd::1:03:ff:2b

圧縮されているので、こんなに沢山のフィールドを持っているのはおかしいですね。
これは、::より前と後ろに全く関連性が無いからおきています。
正規表現としてはこの辺ですね。

(([0-9a-f]{1,4})(:([0-9a-f]{1,4})){0,5})?::(([0-9a-f]{1,4})(:([0-9a-f]{1,4})){0,5})?

の手前と後で全く同じ記述がなされており、どちらも最大で5つのフィールドを持っていてもマッチしてしまいます。

僕の気持ちとしては、::の手前でマッチした数を::の後ろで数えつつ、合計が8越えたらマッチしない様にしたいのですけども、やり方がどうしても分かりませぬ。
そもそも、そういう考え方が間違っているのかもしれない、と思いつつここで力尽きました。

他にも実は気が付いていないけども、正しくないアドレスをマッチしてしまうのではないか？と言う疑念もあるにはありますが、正直に申し上げてもう分かりません。

という訳で正規表現に詳しい方、どなたかお助け下さい。

ついでに、IPv6アドレスにおいてポート番号を記述する際に:を使えるとある*1のですけども、これが正しく処理出来る理由が全く分からないので、マッチの対象としていません。

追記：

RFC5952 section4.3 では、アルファベット部分において全て小文字を使う様にとありますが、最初の正規表現ではどっちもOKにしており、明らかに正しくないので修正しました。

RFC5952 section6には、ポート番号を付記する際のサンプルとして、以下の6つのパターンを例示しています。

[2001:db8::1]:80
2001:db8::1:80
2001:db8::1.80
2001:db8::1 port 80
2001:db8::1p80
2001:db8::1#80

僕が対応していないケースは、この2番目のものです。角括弧で括ってくれるケースは対応しています。
括弧書きもなしに:だけがポンと出てくるケースでは、機械的に評価するのは難しいのではないかなぁ…と思います。
この二番目のサンプルでは::でアドレスが圧縮されている事が分っているものの、
いくつのフィールドが圧縮されているか分らないので、
最後の80がポート番号なのか、アドレスのフィールドなのか評価しようが無いのでは無いか？と言うことです。

URIの一部として記述する際には、RFC3986にあるとおり、一番目の記述方法を使うべきであると書いてあります。

気になったので、一般的にポート番号付きのIPv6アドレスがどの様に記述されているのかもう少し調べてみました。