为何LATIN SMALL LETTER DOTLESS I与COMBINING DOT ABOVE无法被NFC归一化为'i'？

这个问题问到了Unicode归一化的核心设计逻辑，咱们从规则和语义两个层面来拆解：

首先明确NFC归一化的核心规则 #

NFC（Normalization Form C）的作用是把兼容等价的字符序列合并成预合成字符，但有个关键前提：这个字符组合必须在Unicode标准的字符分解映射表里有明确对应的预合成项。说白了，不是随便一个基字符加组合符号就能被合成，得Unicode官方认定它们是「语义等价」的组合才行。

为什么ı+̇不能合成i？ #

1. 语义上的本质区别 #

在土耳其语、阿塞拜疆语等语言中，ı（无点小写i）和普通i是完全独立的两个字母，各自承担不同的语义和语法功能：

• 普通i的大写是I
• ı的大写是İ（带点的大写I）

Unicode在设计时，严格区分了这两个字符的语义。ı加上方点的组合，在语义上并不被等同于普通的i——哪怕它们看起来一模一样，也属于不同的字符序列，不能随意合并。

2. 没有对应的合成映射 #

Unicode的预合成字符列表里，并没有把ı+COMBINING DOT ABOVE定义为i的等价序列。反过来，普通i的分解形式就是它本身，并不是从ı加组合点来的。所以NFC归一化时，找不到对应的合成规则，自然不会把它们合并。

结合你给出的Python示例验证 #

import unicodedata
s = 'ı̇'
len(s)  # 输出: 2
list(s)  # 输出: ['ı', '̇']
normalized = unicodedata.normalize('NFC', s)
print(", ".join(map(unicodedata.name, normalized)))
# 输出: LATIN SMALL LETTER DOTLESS I, COMBINING DOT ABOVE

这个结果完全符合Unicode规范——NFC不会因为视觉相似就强制合并语义不同的字符序列。

这种设计的合理性在哪里？ #

1. 尊重语言的特殊性：Unicode的目标是支持全球所有语言的字符表示，如果强制把ı+̇合并成i，会破坏土耳其语等语言的字符体系，导致语义混淆。
2. 归一化的边界清晰：NFC的核心是「语义等价的兼容归一化」，不是「视觉统一」。视觉相似但语义不同的字符，本来就不属于NFC的处理范围。
3. 保留字符组合的灵活性：Unicode需要允许用户构造一些特殊的字符序列（比如某些特定的拼写或排版需求），不能随意限制合法的字符组合。

内容的提问来源于stack exchange，提问作者Jonas Schäfer