как упоминали другие, приложение D ISO / IEC 9899: 2011 перечисляет шестнадцатеричные значения символов, допустимые для универсальных имен символов в C11. (Я не буду повторять это здесь.) Я искал ответ на вопрос "почему" был выбран этот список.

стандарты набора символов

во-первых, есть два соответствующих стандартов, определяющих набор символов: ISO / IEC 10646 (определение UCS) и Unicode. Чтобы еще больше запутать (или упростить) вещи, они определяют те же символы поскольку ISO и Unicode сохраняют их синхронизироваться. UCS-это, по сути, просто карта символов, связывающая значения с набором символов ("репертуар"), в то время как Unicode также дает дополнительные определения, такие как сравнение строк в алфавитном порядке сортировки (сортировка), которые кодовые точки представляют собой "канонически эквивалентные" символы (нормализация), и двунаправленный алгоритм для того, как обрабатывать символы на языках, написанных справа налево, и многое другое.

универсальные имена символов в C

универсальные имена символов (UCN) - это функция, недавно добавленная в C99 (ISO/IEC 9899:1999). В разделе "обоснование международного стандарта - - - языки программирования - - - C" (Откр. 2, Окт. 1999), целью было "включить использование любого "родного" символа в идентификаторах, строковых литералах и символах константы, сохраняя при этом цель переносимости C" (sec. 5.2.1). Этот раздел продолжает о проблемах, как кодировать эти символы в C (\U и \u формы по сравнению с многобайтовыми символами или собственными кодировками) и политические модели того, как с этим бороться (стр. 14, см PDF страница 22).

обоснование

Я надеялся, что то же самое документ "обоснование" от 1999 даст причину, почему каждый расширенный диапазон символов был выбран как приемлемый для UCNs C99. Приложение I к обоснованию в целом гласит:

Приложение I универсальные имена символов для идентификаторов (нормативные)

новая функция C9X.

это не обоснование. Они даже не знали, в каком году будет опубликован стандарт C, поэтому он просто называется "C9X". Более позднее обоснование документа от 2003 немного больше просвещение:

приложение D универсальные имена символов для идентификаторов (нормативные)

новая функция для C99.

намерение состоит в том, чтобы поддерживать ток с ISO/IEC TR 10176.

ISO / IEC TR 10176 is " руководство по подготовке стандартов языка программирования."Это в основном путеводитель для людей, которые пишут стандарты языка программирования. Она включает руководящие принципы для использования наборов символов на языках программирования, а также" рекомендуемого расширенного справочника по определяемым пользователем идентификаторам " (приложение а). Но эта цитата из документа 2003 rationale является только "намерением сохранить актуальность", а не обещанием строгого соблюдения TR 10176.

есть общедоступный ISO/IEC TR 10176:2003 таблица символов. Значения символов см. В ISO 10646. Таблица классифицирует диапазоны символов из различных языков как будучи "прописными буквами"Lu; "нижний регистр"Ll; "число, цифра" Nd, "пунктуация, разъем" Pc; etc. Должно быть ясно, какое использование имеют такие классификации для языка программирования.

важным напоминанием является то, что TR 10176 является техническим отчетом, а не стандартом. Я нашел несколько ссылок на него на форумах и в документах, связанных с другими языками программирования, такими как Ada, COBOL и D language. Большая часть дискуссии была о том, как стандарты этих языков должны строго соответствовать стандарту TR 10176 (не являющемуся стандартом) и жалобам на то, что TR 10176 отстает от обновлений ISO 10646.

пожалуй, наиболее информативный документ WG21 / N3146: "рекомендации для расширенных символов идентификаторов для C и c++."Он начинается с комментария в 2010 году к органу стандартов, рекомендующему ограничения на начальные символы идентификаторов. Он упоминает похожие жалобы на C referencing TR 10176, и делает предложения о том, какие символы должны быть разрешены в качестве начальных символов идентификатора на основе ограничений из идентификатор Unicode и синтаксис шаблона и общие синтаксические конструкции XML. WG21 / N3146 дает предлагаемую формулировку, которая позже появилась в стандарте C11 ISO / IEC 9899: 2011. В конце документа есть таблица, которая помогает пролить свет на выбранные диапазоны символов.

символов и не разрешено в C11

Ниже приведен скомпилированный список диапазонов для продлен символы. The жирным шрифтом диапазоны приведены в C11 (ISO / IEC 9899: 2011 приложение D). Некоторые комментарии добавлены о курсивом диапазоны не указан в C11 (т. е. не допускается). Они либо отмечены в WG21 / N3146 как запрещен юникодов UAX#31 или общий синтаксический XML Конструкции, или запрещено каким-либо другим комментарием.

00A8, 00AA, 00AD, 00AF, 00B2-00B5, 00C0-00D6, 00D8-00F6, 00F8-00FF: (различные символы, такие как женские и мужские порядковые знаки º, гласные с диакритикой, числовые символы, такие как числа надстрочного кода, дроби и т. д.)

(предыдущие пробелы): все запрещен UAX31 и/или XML. (Обычно знаки типа пунктуации, такие как "", денежные символы ¥£, математические операторы × ÷ и др.)

0100-167F: (латинский, греческий, кириллица, арабский, тайский, эфиопский и др.---многие другие)

1680: "блок Ogham содержит пространство, специфичное для скрипта:"

1681-180D: (огам, Тагальский, монгольский и др.)

180E: "монгольский блок содержит специфичное для скрипта пространство"

180F В-ЭТОГО ЗНАЧЕНИЯ 1FFF: (далее языки... фонетика, расширенная латынь и греческий и т. д.)

2000: запускает блок" общая пунктуация", но некоторые разрешены:

200B-200D, 202A-202E, 203F-2040, 2054, 2060-206F: (выделение из блока "общая пунктуация")

2070-218F: "надписи и индексы, символы валюты, сочетание диакритических знаков для символов, Буквоподобные символы, число Формы"

2190-245F: "Стрелки, Математические Операторы, Различные Технические, Контрольные Изображения, Оптическое Распознавание Символов"

2460-24FF: "Прилагаемые Буквенно-Цифровые Обозначения"

2500: запускает "чертеж коробки, элементы блока, геометрические фигуры"и т. д.

2776-2793: (некоторые dingbats и кружил, дубины)

2794-2BFF: (другой набор булкой , математические символы, стрелки, узоры Брайля и т. д.)

2C00-2DFF, 2E80-2FFF: "Глаголитическое, латинское Extended-C, коптское, грузинское дополнение, тифинаг, эфиопское Extended, кириллическое Extended-A" (также CJK радикальное дополнение)

3000: (начало "символов и знаков препинания CJK", некоторые выборы разрешены)

3004-3007, 3021-302F, 3031-303F: (разрешены символы CJK и Пунктуация")

3040-D7FF:" Хирагана, катакана", другие идеограммы CJK, радикалы и т. д.

D800-F8FF: (это начинается высокий и низкие суррогатные области (числовое пространство, необходимое для кодировок), и Частного Использования)

оптом-F900-FD3D, FD40-FDCF, FDF0-FE44, FE47-FFFD: выбор из "идеограмм совместимости CJK", "арабских форм представления" и т. д. 10000-1FFFD, 20000-2FFFD, 30000-3FFFD, 40000-4FFFD, 50000-5FFFD, 60000-6FFFD, 70000-7FFFD, 80000-8FFFD, 90000-9FFFD, A0000-AFFFD, B0000-BFFFD, C0000-CFFFD, D0000-DFFFD, E0000-EFFFD: WG21 / N3146 дает обоснование для этих конечных диапазонов:

дополнительная частная область использования простирается от F0000 до 10FFFF; оба [AltId] и [XML2008] запретить символы в этом диапазоне.

кроме того, [AltId] запрещает, как не символы, последние две кодовые позиции каждой плоскости, т. е. каждую позицию формы PFFFE или PFFFF, для любого значения P.

"диапазоны символов, запрещенных изначально" из C11 приложение D. 2 являются 0300-036F, 1DC0-1DFF, 20D0-20FF, FE20-FE2F.

С WG21 / N3146 помещается рядом с приложением D стандарт C11, много может делайте выводы о том, как они выстраиваются. Например, математические операторы и знаки пунктуации не допускаются. Надеюсь, это прольет свет на" почему "или" как " были выбраны разрешенные персонажи.

TLDR; версия

• авторитетным источником для символов юридического идентификатора является стандарт C11 ISO / IEC 9899: 2011 (См. Приложение D).
• этот список основан на техническом отчете, ISO / IEC TR 10176, но с модификации.