O que são "caracteres de conexão" nos identificadores Java?

Estou lendo para o SCJP e tenho uma pergunta sobre esta linha:

Os identificadores devem começar com uma letra, um caractere de moeda ($) ou um caractere de conexão, como o sublinhado (_). Os identificadores não podem começar com um número!

Ele afirma que um nome de identificador válido pode começar com um caractere de conexão , como sublinhado. Eu pensei que sublinhados eram a única opção válida? Quais outros caracteres de conexão existem?

Aqui está uma lista de caracteres de conexão. Esses são caracteres usados ​​para conectar palavras.

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

Isso compila no Java 7.

int _, ‿, ⁀, ⁔, ︳, ︴, ﹍, ﹎, ﹏, ＿;

Um exemplo. Nesse caso, tpé o nome de uma coluna e o valor para uma determinada linha.

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

double tp = row.getDouble(︴tp︴);

Os seguintes

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 + " ");
}

impressões

$ _ ¢ £ ¤ ¥ ؋ ৲ ৳ ৻ ‿ ⁀ ₠ ₡ ₢ ₣ ₤ ₥ ₧ ₧ ₨ ₪ ₫ ₫ ₫ ₫ ₫ € ₭ ₮ ₱ ₱ ₱ ₱ ₱ ₱ ₱ ₱ ₱ ₱ ₱ ₱ ₱ ₱ ₫ ₫ ₫ ﹩ ＄ ＿ ￠ ￡ ￥ ￦

itere através dos caracteres de 65k e pergunte Character.isJavaIdentifierStart(c). A resposta é: decimal "undertie" 8255

A especificação definitiva de um identificador Java legal pode ser encontrada em Java Language Specification .

Aqui está uma lista de caracteres do conector em Unicode. Você não os encontrará no teclado.

U + 005F linha baixa _
U + 203F UNDERTIE ‿
U + 2040 PERSONAGEM TIE ⁀
U + 2054 INVERTIDO UNDERTIE ⁔
U + FE33 APRESENTAÇÃO FORMULÁRIO PARA VERTICAL linha baixa _ L
+ FE34 APRESENTAÇÃO FORMULÁRIO PARA VERTICAL WAVY linha baixa ︴
U + FE4D tracejada linha baixa ﹍
LINHA BAIXA CENTRAL
U + FE4E LINE LINHA BAIXA ONDULADA
U + FE4F ﹏ LINHA BAIXA LARGA LARGA U + FF3F ＿

Um caractere de conexão é usado para conectar dois caracteres.

Em Java, um caractere de conexão é aquele para o qual Character.getType (int codePoint) / Character.getType (char ch) retorna um valor igual a Character.CONNECTOR_PUNCTUATION .

Observe que em Java, as informações de caracteres são baseadas no padrão Unicode, que identifica os caracteres de conexão, atribuindo a eles a categoria geral Pc, que é um alias para Connector_Punctuation .

O seguinte snippet 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 os caracteres de conexão que podem ser usados ​​para iniciar um identificador no 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

O seguinte compila em jdk1.6.0_45,

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

Aparentemente, a declaração acima falha ao compilar no jdk1.7.0_80 & jdk1.8.0_51 para os dois caracteres de conexão a seguir (compatibilidade com versões anteriores ... oops !!!),

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

Enfim, detalhes à parte, o exame se concentra apenas no conjunto de caracteres latinos básicos .

Além disso, para identificadores legais em Java, a especificação é fornecida aqui . Use as APIs da classe Character para obter mais detalhes.

Um dos caracteres mais divertidos permitidos nos identificadores Java (mas não no início) é o caractere unicode chamado "Zero Width Non Joiner" (& zwnj ;, U + 200C, https://en.wikipedia.org / wiki / Zero-width_non-joiner ).

Eu tive isso uma vez em um pedaço de XML dentro de um valor de atributo, mantendo uma referência a outro pedaço desse XML. Como o ZWNJ tem "largura zero", ele não pode ser visto (exceto ao andar junto com o cursor, ele é exibido logo no caractere anterior). Também não pôde ser visto no arquivo de log e / ou na saída do console. Mas ele estava lá o tempo todo: copiar e colar nos campos de pesquisa conseguiu e, portanto, não encontrou a posição referida. Digitar a parte (visível da cadeia) no campo de pesquisa, no entanto, encontrou a posição referida. Levei um tempo para descobrir isso.

Digitar um não-marceneiro com largura zero é realmente muito fácil (muito fácil) ao usar o layout de teclado europeu, pelo menos em sua variante alemã, por exemplo, "Europatastatur 2.02" - é acessível com AltGr + ".", Duas teclas que infelizmente, estão localizados um ao lado do outro na maioria dos teclados e podem ser facilmente atingidos acidentalmente.

Voltando ao Java: pensei bem, você poderia escrever um código como este:

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

com o segundo anexado por um marceneiro de largura zero (não é possível fazer isso no código acima, capturado no editor do stackoverflow), mas isso não funcionou. O IntelliJ (16.3.3) não reclamou, mas o JavaC (Java 8) reclamou de um identificador já definido - parece que o JavaC realmente permite o caractere ZWNJ como parte de um identificador, mas ao usar a reflexão para ver o que faz, o ZWNJ O caractere é retirado do identificador - algo que caracteres como ‿ não são.

A lista de caracteres que você pode usar dentro de seus identificadores (e não apenas no início) é muito mais 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 + " ");

A lista é:

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

Inclui a maioria dos caracteres de controle! Quero dizer sinos e merda! Você pode fazer seu código fonte tocar a campainha fn! Ou use caracteres que serão exibidos apenas algumas vezes, como o hífen suave.