iOS RTMP 视频直播开发笔记（2） – 了解 MP4 文件

虽然我们不需要了解详细的编码实现细节，但对于文件格式和相关名词的了解，对于开发仍然是非常必要的。

由于之后的 iOS 编码实现中需要首先生成 MP4 视频文件，然后从 MP4 文件中提取 NALU 交给下一步做处理，因此这里首先介绍一下 MP4 和 H.264 的相关知识吧。

MP4 是一种视频容器格式，而 H.264 是一种图像编码标准。

2.1 了解 MP4 文件格式

本节内容整理自： MP4(一)-结构 ，原作者不详

将flv转换为mp4：ffmpeg -i test.flv -vcodec libx264 test.mp4

在使用 Hex Fiend 分析mp4文件后，会发现moov段总是位于文件的末尾，这也是为什么AVEncoder会专门使用headerWriter只写编码一帧存入文件的原因——为了尽早获得moov数据存储下来，作为meta信息发送出去。很难理解为什么这个会在文件末尾。

大体文件结构： | ftyp | mdat | moov |

这里的三个是最常见也是最重要的数据。ftyp用于标识文件类型，mdat是真正包含的编码数据，moov为参数信息。

基本概念

MP4文件中的所有数据都装在box（QuickTime中为atom）中，也就是说MP4文件由若干个box组成，每个box有类型和长度，可以将box理解为一个数据对象块。box中可以包含另一个box，这种box称为container box。一个MP4文件首先会有且只有一个“ftyp”类型的box，作为MP4格式的标志并包含关于文件的一些信息；之后会有且只有一个“moov”类型的box（Movie Box），它是一种container box，子box包含了媒体的metadata信息；MP4文件的媒体数据包含在“mdat”类型的box（Midia Data Box）中，该类型的box也是container box，可以有多个，也可以没有（当媒体数据全部引用其他文件时），媒体数据的结构由metadata进行描述。

名词解释

• track 表示一些sample的集合，对于媒体数据来说，track表示一个视频或音频序列。
• hint track 这个特殊的track并不包含媒体数据，而是包含了一些将其他数据track打包成流媒体的指示信息。
• sample 对于非hint track来说，video sample即为一帧视频，或一组连续视频帧，audio sample即为一段连续的压缩音频，它们统称sample。对于hint track，sample定义一个或多个流媒体包的格式。
• sample table 指明sampe时序和物理布局的表。
• chunk 一个track的几个sample组成的单元。

track：

➜  mp4info test.mp4
mp4info version 1.9.1
test.mp4:
Track   Type    Info
1   video   H264 High@3, 425.120 secs, 764 kbps, 832x468 @ 25.000000 fps
2   audio   MPEG-4 AAC LC, 425.152 secs, 127 kbps, 48000 Hz
 Encoded with: Lavf55.33.100

‘stsc’ 中的 Chunk

stco: chunk offset, partial data-offset information 记录Chunk偏移
stsc: sample-to-chunk, partial data-offset information
stss: sync sample table (random access points) 判断是否关键帧
stsz: sample sizes (framing) 记录每一帧大小

还记得前面提到的 Chunk 和 Sample 的概念吗？一个 Chunk 里有多个 Sample，一个 Sample 代表一帧。

chunk 和 sample 的关系：一个chunk中有一个或多个sample，一个文件有多个chunk,在stco中标记了chunk在文件中的绝对位置。不是相对于某一个box.stsz标记了每一个sample的大小，stsc则是chunk和sample的对应关系。

这里有个问题就是Stsc中有个 参数是first_chunk，这个是什么意思呢？

First chunk Samples	per chunk Sample	description ID
1	4	1
4	3	1
5	4	1
8	3	1

可以看出chunk1、chunk2、chunk3都有4个sample，chunk4有3个sample，chunk5、chunk6、chunk7有4个sample……就是这个意思。

Github上一位童鞋写的MP4Reader.m，代码中详细展示了MP4文件解析的过程。

是不是关键帧？sample为帧计数，如果帧的计数存在与stss中，则是关键帧

keyframe = [syncSamples containsObject:[NSNumber numberWithInt:sample]];

stsz 记录了每一帧的大小，这里的videoSamples来自stsz。

// Size of the sample
int size = [[videoSamples objectAtIndex:(sample - 1)] integerValue];

相关资料

MPEG-4 wiki

关于avcC：第十五部分（ISO/IEC 14496-15）：AVC文件格式：定义了基于第十二部分的用于存储第十部分的视频内容的文件格式。

mp4格式(转帖加修改）
将h.264视频流封装成flv格式文件（一.flv格式）

MP4(一)-结构
MP4(二)-解复用器

关于MDAT部分：

这里的格式是什么样的？

我之前一直没有搞明白，直到仔细看了AVEncoder.m才恍然大悟，根据MP4的文件结构描述，所有内容都使用Box来存储：[box size][box type][…]

标准的box开头的4个字节（32位）为box size，该大小包括box header和box body整个box的大小，这样我们就可以在文件中定位各个box。如果size为1，则表示这个box的大小为large size，真正的size值要在largesize域上得到。（实际上只有“mdat”类型的box才有可能用到large size。）如果size为0，表示该box为文件的最后一个box，文件结尾即为该box结尾。（同样只存在于“mdat”类型的box中。）

size后面紧跟的32位为box type，一般是4个字符，如“ftyp”、“moov”等，这些box type都是已经预定义好的，分别表示固定的意义。如果是“uuid”，表示该box为用户扩展类型。如果box type是未定义的，应该将其忽略

而MDAT中的数据，它的结构就是[box size][h264 data]，也就是后面的数据的大小+h264裸流了。

MP4 与 QuickTime 之间的关系？

我们知道，MP4文件格式是ISO-14496-12基础文件格式的衍生品，14496-14中对-12协议进行了扩充与进一步定义。
重要的是该“14496-12 基础文件格式”协议如果认祖归宗，我们发现这种文件格式最初是由Apple公司的QuickTime媒体格式发展而来的。
即，mov格式发展出了“ISO 14496 – 12协议”，再由该协议衍生出了mp4,f4v,ismv,3gp等我们常见的媒体封装格式。
因此上述标志位的poster位，在14496-12中并没有见到描述，而在Apple的协议中却看到了准确定义。
详见 https://developer.apple.com/library/mac/#documentation/QuickTime/QTFF/QTFFChap2/qtff2.html

转载自 Tony's blog