¿Qué son los "caracteres de conexión" en los identificadores de Java?

Estoy leyendo para SCJP y tengo una pregunta con respecto a esta línea:

Los identificadores deben comenzar con una letra, un carácter de moneda ($) o un carácter de conexión como el guión bajo (_). ¡Los identificadores no pueden comenzar con un número!

Establece que un nombre de identificador válido puede comenzar con un carácter de conexión como el guión bajo. ¿Pensé que los subrayados eran la única opción válida? ¿Qué otros personajes de conexión hay?

Aquí hay una lista de personajes de conexión. Estos son caracteres utilizados para conectar palabras.

http://www.fileformat.info/info/unicode/category/Pc/list.htm

U+005F _ LOW LINE
U+203F ‿ UNDERTIE
U+2040 ⁀ CHARACTER TIE
U+2054 ⁔ INVERTED UNDERTIE
U+FE33 ︳ PRESENTATION FORM FOR VERTICAL LOW LINE
U+FE34 ︴ PRESENTATION FORM FOR VERTICAL WAVY LOW LINE
U+FE4D ﹍ DASHED LOW LINE
U+FE4E ﹎ CENTRELINE LOW LINE
U+FE4F ﹏ WAVY LOW LINE
U+FF3F ＿ FULLWIDTH LOW LINE

Esto compila en Java 7.

int _, ‿, ⁀, ⁔, ︳, ︴, ﹍, ﹎, ﹏, ＿;

Un ejemplo. En este caso tpes el nombre de una columna y el valor de una fila dada.

Column<Double> ︴tp︴ = table.getColumn("tp", double.class);

double tp = row.getDouble(︴tp︴);

El seguimiento

for (int i = Character.MIN_CODE_POINT; i <= Character.MAX_CODE_POINT; i++)
    if (Character.isJavaIdentifierStart(i) && !Character.isAlphabetic(i))
        System.out.print((char) i + " ");
}

huellas dactilares

$ _ ¢ £ ¤ ¥ ؋ ৲ ৳ ৻ ૱ ௹ ฿ ៛ ‿ ⁀ ⁔ ₠ ₡ ₢ ₣ ₤ ₥ ₦ ₧ ₨ ₩ ₪ ₫ € ₭ ₮ ₯ ₰ ₱ ₲ ₳ ₴ ₵ ₶ ₷ ₸ ₹ ꠸ ﷼ ︳ ︴ ﹍ ﹎ ﹏ ﹩ ＄ ＿ ￠ ￡ ￥ ￦

iterar a través de los caracteres completos de 65k y preguntar Character.isJavaIdentifierStart(c). La respuesta es: "undertie" decimal 8255

La especificación definitiva de un identificador legal de Java se puede encontrar en la Especificación del lenguaje Java .

Aquí hay una lista de caracteres de conector en Unicode. No los encontrará en su teclado.

U + 005F LÍNEA BAJA _
U + 203F SUBTENSIÓN ‿
U + 2040 CORBATA DE CARÁCTER ⁀
U + 2054 INVERTIDA SUBTENSIÓN ⁔
U + FE33 FORMULARIO DE PRESENTACIÓN PARA LÍNEA BAJA VERTICAL ︳
U + FE34 FORMULARIO DE PRESENTACIÓN PARA LÍNEA BAJA ONDA VERTICAL ︴
U + FE4D LÍNEA BAJA DASHED ﹍
U + FE4E LÍNEA BAJA CENTRELINA ﹎
U + FE4F LÍNEA BAJA ONDULADA ﹏
U + FF3F LÍNEA BAJA DE ANCHO COMPLETO ＿

Se utiliza un carácter de conexión para conectar dos caracteres.

En Java, un carácter de conexión es aquel para el que Character.getType (int codePoint) / Character.getType (char ch) devuelve un valor igual a Character.CONNECTOR_PUNCTUATION .

Tenga en cuenta que en Java, la información de los caracteres se basa en el estándar Unicode que identifica los caracteres de conexión al asignarles la categoría general Pc, que es un alias para Connector_Punctuation .

El siguiente fragmento de código,

for (int i = Character.MIN_CODE_POINT; i <= Character.MAX_CODE_POINT; i++) {
    if (Character.getType(i) == Character.CONNECTOR_PUNCTUATION
            && Character.isJavaIdentifierStart(i)) {
        System.out.println("character: " + String.valueOf(Character.toChars(i))
                + ", codepoint: " + i + ", hexcode: " + Integer.toHexString(i));
    }
}

imprime los caracteres de conexión que se pueden usar para iniciar un identificador en jdk1.6.0_45

character: _, codepoint: 95, hexcode: 5f
character: ‿, codepoint: 8255, hexcode: 203f
character: ⁀, codepoint: 8256, hexcode: 2040
character: ⁔, codepoint: 8276, hexcode: 2054
character: ・, codepoint: 12539, hexcode: 30fb
character: ︳, codepoint: 65075, hexcode: fe33
character: ︴, codepoint: 65076, hexcode: fe34
character: ﹍, codepoint: 65101, hexcode: fe4d
character: ﹎, codepoint: 65102, hexcode: fe4e
character: ﹏, codepoint: 65103, hexcode: fe4f
character: ＿, codepoint: 65343, hexcode: ff3f
character: ･, codepoint: 65381, hexcode: ff65

Las siguientes compilaciones en jdk1.6.0_45,

int _, ‿, ⁀, ⁔, ・, ︳, ︴, ﹍, ﹎, ﹏, ＿, ･ = 0;

Aparentemente, la declaración anterior no se compila en jdk1.7.0_80 y jdk1.8.0_51 para los siguientes dos caracteres de conexión (compatibilidad con versiones anteriores ... ¡Uy!),

character: ・, codepoint: 12539, hexcode: 30fb
character: ･, codepoint: 65381, hexcode: ff65

De todos modos, aparte de los detalles, el examen se enfoca solo en el conjunto de caracteres latinos básicos .

Además, para los identificadores legales en Java, la especificación se proporciona aquí . Use las API de la clase Character para obtener más detalles.

Uno de los personajes más divertidos que se permite en los identificadores de Java (aunque no al principio) es el carácter unicode llamado "Zero Width Non Joiner" (& zwnj ;, U + 200C, https://en.wikipedia.org / wiki / Zero-width_non-joiner ).

Una vez tuve esto en un fragmento de XML dentro de un valor de atributo que contiene una referencia a otro fragmento de ese XML. Como el ZWNJ es de "ancho cero", no se puede ver (excepto cuando se camina junto con el cursor, se muestra directamente en el carácter anterior). Tampoco se pudo ver en el archivo de registro y / o la salida de la consola. Pero estuvo allí todo el tiempo: copiar y pegar en los campos de búsqueda lo obtuvo y, por lo tanto, no encontró la posición referida. Sin embargo, al escribir la (parte visible de la) cadena en el campo de búsqueda se encontró la posición referida. Me llevó un tiempo resolver esto.

Escribir un Zero-Width-Non-Joiner es realmente bastante fácil (demasiado fácil) cuando se utiliza la distribución del teclado europeo, al menos en su variante alemana, por ejemplo, "Europatastatur 2.02": se puede acceder con AltGr + ".", Dos teclas que desafortunadamente, se encuentran directamente uno al lado del otro en la mayoría de los teclados y pueden golpearse fácilmente juntos accidentalmente.

De vuelta a Java: pensé bien, podrías escribir un código como este:

void foo() {
    int i = 1;
    int i‌ = 2;
}

con el segundo lo agregué con un ancho cero sin unión (no puedo hacer eso en el código anterior recortado en el editor de stackoverflow), pero eso no funcionó. IntelliJ (16.3.3) no se quejó, pero JavaC (Java 8) sí se quejó de un identificador ya definido: parece que JavaC realmente permite que el personaje ZWNJ forme parte de un identificador, pero cuando usa la reflexión para ver qué hace, el ZWNJ el carácter se elimina del identificador, algo que los caracteres como ‿ no son.

La lista de caracteres que puede usar dentro de sus identificadores (en lugar de solo al principio) es mucho más divertida:

for (int i = Character.MIN_CODE_POINT; i <= Character.MAX_CODE_POINT; i++)
    if (Character.isJavaIdentifierPart(i) && !Character.isAlphabetic(i))
        System.out.print((char) i + " ");

La lista es:

I wanted to post the output, but it's forbidden by the SO spam filter. That's how fun it is!

¡Incluye la mayoría de los personajes de control! Me refiero a campanas y mierda! ¡Puede hacer que su código fuente toque el timbre fn! O utilice caracteres que solo se mostrarán a veces, como el guión suave.