MP4格式学习

简介

MP4视频文件封装格式是基于QuickTime容器格式定义的，因此参考QuickTime的格式定义对理解MP4文件格式很有帮助。MP4文件格式是一个十分开放的容器，几乎可以用来描述所有的媒体结构，MP4文件中的媒体描述与媒体数据是分开的，并且媒体数据的组织也很自由，不一定要按照时间顺序排列，甚至媒体数据可以直接引用其他文件。同时，MP4也支持流媒体。MP4目前被广泛用于封装h.264视频和AAC音频，是高清视频的代表。

格式概述

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。

Box

首先需要说明的是，box中的字节序为网络字节序，也就是大端字节序（Big-Endian），简单的说，就是一个32位的4字节整数存储方式为高位字节在内存的低端。Box由header和body组成，其中header统一指明box的大小和类型，body根据类型有不同的意义和格式。

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。

Base Box{
    BoxHead{
        box_size 4byte;
        box_type 4byte;
    };
    BoxBody
};

接下来我们看看真正的Box

ftyp box(file type box)

该box有且只有1个，并且只能被包含在文件层，而不能被其他box包含。该box应该被放在文件的最开始，指示该MP4文件应用的相关信息。

"ftyp" body依次包括1个32位的major brand（4个字符），1个32位的minor version（整数）和1个以32位（4个字符）为单位元素的数组compatible brands。这些都是用来指示文件应用级别的信息。该box的字节实例如下：

struct mov_ftyp_t                                                                                                      
{
    uint32_t major_brand;
    uint32_t minor_version;

    uint32_t compatible_brands[N_BRAND];
    size_t brands_count;
};

moov box(movie box)

该box包含了文件媒体的metadata信息，moov是一个container box，具体内容信息由子box诠释。同File Type Box一样，该box有且只有一个，且只被包含在文件层。一般情况下，moov会紧随ftyp出现。
一般情况下（限于篇幅，本文只讲解常见的MP4文件结构），moov中会包含1个mvhd和若干个trak。其中mvhd为header box，一般作为moov的第一个子box出现（对于其他container box来说，header box都应作为首个子box出现）。trak包含了一个track的相关信息，是一个container box。下图为部分moov的字节实例，其中红色部分为box header，绿色为mvhd，黄色为一部分trak。

mvhd(movie header box)

字段	字节数	说明
box size	4	box 的大小
box type	4	box 的类型
version	1	box 的版本，0或则1，一般为0。一下的字节数均按照version=0设置
flag	3
creation time	4	创建时间，相对于UTC时间（1904-01-01零点的秒数）
modification time	4	修改时间
time scale	4	文件媒体在1秒内的时间刻度，即把1秒划分成多少个小的时间片)
duration	4	该track的时间长度，用duration和time sacle值可以计算出track的时长; 比如audio track的time scale = 8000，duration=560128,则时长为70.016; video track的time scale=600,duration=42000,时长为70。
rate	4	推荐播放速率，高16位和低16位分别为小数点整数部分和小数部分，即[16.16]。 如1.0会表示成0x00010000,表示正常向前播放。
volume	2	与rate类似，[8.8] 格式，1.0（0x0100）表示最大音量
reserved	10	保留位
matrix	36	视频变换矩阵
pre-defined	24
next track id	4	下一个track的id号

mvhd的字节实例如下图，各字段已经用颜色区分开：

数据结构的定义

struct mov_mvhd_t
{
    // FullBox
    uint32_t version : 8;
    uint32_t flags : 24; 

    uint32_t timescale; // time-scale for the entire presentation, the number of time units that pass in one second
    uint64_t duration; // default UINT64_MAX(by timescale)
    uint64_t creation_time; // seconds sine midnight, Jan. 1, 1904, UTC
    uint64_t modification_time; // seconds sine midnight, Jan. 1, 1904, UTC

    uint32_t rate;
    uint16_t volume; // fixed point 8.8 number, 1.0 (0x0100) is full volume
    //uint16_t reserved;
    //uint32_t reserved2[2];
    int32_t matrix[9]; // u,v,w
    //int32_t pre_defined[6];
    uint32_t next_track_ID;
};

trak(track box)

trak也是一个container box，其子box包含了该track的媒体数据引用和描述（hint track除外）。一个MP4文件中的媒体可以包含多个track，且至少有一个track，这些track之间彼此独立，有自己的时间和空间信息。trak必须包含一个tkhd和一个mdia，此外还有很多可选的box（略）。其中tkhd为track header box，mdia为media box，该box是一个包含一些track媒体数据信息box的container box。

tkhd(track header box)

tkhd结构如下表。

字段	字节数	意义
box size	4	box大小
box type	4	box类型
version	1	box版本，0或1，一般为0。（以下字节数均按version=0）
flags	3	按位或操作结果值，预定义如下： 0x000001 track_enabled，否则该track不被播放； 0x000002 track_in_movie，表示该track在播放中被引用； 0x000004 track_in_preview，表示该track在预览时被引用。 一般该值为7，如果一个媒体所有track均未设置track_in_movie和track_in_preview， 将被理解为所有track均设置了这两项；对于hint track，该值为0
creation time	4	创建时间（相对于UTC时间1904-01-01零点的秒数）
modification time	4	修改时间
track id	4	id号，不能重复且不能为0
reserved	4	保留位
duration	4	track的时间长度
reserved	8	保留位
layer	2	视频层，默认为0，值小的在上层
alternate group	2	track分组信息，默认为0表示该track未与其他track有群组关系
volume	2	[8.8] 格式，如果为音频track，1.0（0x0100）表示最大音量；否则为0
reserved	2	保留位
matrix	36	视频变换矩阵
width	4	宽
height	4	高

mdia（Media Box）

mdia也是个container box，其子box的结构和种类还是比较复杂的。先来看一个mdia的实例结构树图。

mdhd(media header box)

结构如下表:

字段	字节数	意义
box size	4	box大小
box type	4	box类型
version	1	box版本，0或1，一般为0。（以下字节数均按version=0）
flags	3
creation time	4	创建时间（相对于UTC时间1904-01-01零点的秒数）
modification time	4	修改时间
time scale	4	文件媒体在1秒内的时间刻度，即把1秒划分成多少个小的时间片)
duration	4	该track的时间长度，用duration和time sacle值可以计算出track的时长; 比如audio track的time scale = 8000，duration=560128,则时长为70.016; video track的time scale=600,duration=42000,时长为70。
language	2	媒体语言码。最高位为0，后面15位为3个字符（见ISO 639-2/T标准中定义）
pre-defined	2

字段	字节数	意义
box size	4	box大小
box type	4	box类型
version	1	box版本，0或1，一般为0。（以下字节数均按version=0）
flags	3
pre-defined	4
handler type	4	在media box中，该值为4个字符： vide— video track soun— audio track hint— hint track
reserved	12
name	不定	track type name，以‘0’结尾的字符串