大家在開發 Python 的過程中，經常會進行字符串encode為 Bytes型數據，或者把 Bytes 型數據 decode為字符串的操作。例如：

 

我們知道，在 Unicode 編碼中，中文占3個字節，所以一個中文字符編碼為 Bytes 型數據以后，會占用3個 Bytes 字符，例如：

>>> a = '青'
>>> a.encode()
b'\xe9\x9d\x92'
>>> b = '青南'
>>> b.encode()
b'\xe9\x9d\x92\xe5\x8d\x97'

注意這里的\xe9需要作為整體來看待，表示一個16進制數。

所以，當我要把 Bytes 型數據\xe9\x9d\x92\xe5\x8d\x97 轉為字符串時，Python 會把\xe9\x9d\x92轉成青字，把\xe5\x8d\x97轉成南字，看起來，似乎是 Python 知道應該把每3個 Bytes 符號一組來進行處理。

然而，Unicode 中，emoji 表情是4個字節，例如表情符號：????，它對應的 Bytes 型數據為：\xf0\x9f\xa4\x94，如下圖所示：

 

如果我把青????南轉換為 Bytes 型數據，值為：\xe9\x9d\x92\xf0\x9f\xa4\x94\xe5\x8d\x97，如下圖所示，一共10個 Bytes 字符：

 

那么問題來了，當我對這個 Bytes 型數據進行 decode 的時候會怎么樣呢？如下圖所示：

 

Python 可以正確地把 Bytes 數據劃分為：

\xe9\x9d\x92   對應“青”
\xf0\x9f\xa4\x94  對應“????”
\xe5\x8d\x97   對應“南”

為什么 Python 知道要把\xf0\x9f\xa4\x94這4個符號分到一組？為什么不會像下面這樣分組？

\xe9\x9d\x92
\xf0\x9f\xa4
\x94\xe5\x8d\x97

實際上，這個問題的原因，只有當我們用二進制來看的時候，才能發現端倪。

青對應的第一個 Bytes 字符\xe9，其中的e9是一個十六進制數字，把它轉成十進制是233，轉成二進制是11101001。

南對應的第一個 Bytes 字符\xe5，其中的e5是一個十六進制數字，把它轉成十進制是229，轉成二進制是11100101。

????對應的第一個 Bytes 字符\xf0，其中的f0是一個十六進制數字，把它轉成十進制是240，轉成二進制是11110000。

如果還看不出他們的差異，那我們把他們放在一起對比一下：

11101001
11100101
11110000

看出差異了嗎？中文漢字是三個字節，轉換為 Bytes 型數據以后，第一個字符對應的二進制數是1110開頭。emoji 是4個字節，轉換為 Bytes 型數據以后，第一個字符對應的二進制數是1111開頭。

所以，當給定一個 Bytes 型數據需要給 Python 來轉換為字符串的時候，Python 是這樣判斷應該有幾個字符一組的。

1. 給定 Bytes 型數據：     \xe9\x9d\x92\xf0\x9f\xa4\x94\xe5\x8d\x97
2. 看第一個字符對應的二進制數的高4位是1110，所以當前字符和它后面兩個字符（合計3個字符）一組，進行解析，得到     青字。
3. 跳過已經解析的字符，直接來到第四位     \xf0，發現它對應的二進制數高4位是1111，所以這個字符和接下來3個字符（合計4個字符）一組，解析出     ????。
4. 跳過已經解析的字符，來到第8位     \xe5，對應的二進制高4位是1110，因此這個字符和接下來的兩個字符一組進行解析，得到     南。
5. 完成。

對于數字和英文字母，在 Unicode 里面只使用一個字節來表示，他們的 Ascii 碼小于128。而多字節的 Unicode 字符，都是從129開頭的，所以英文字母數字與中文混合生成的 Bytes 型數據，在解碼的時候也不會出現分組不明確的問題。