视频直播技术大全、直播架构、技术原理和实现思路方案整理

原文链接：https://blog.csdn.net/zgpeace/article/details/108552358

说明

本文包括原理篇/思路篇/实践篇/方案篇/前端篇/总结

• 直播难：个人认为要想把直播从零开始做出来，绝对是牛逼中的牛逼，大牛中的大牛，因为直播中运用到的技术难点非常之多，视频/音频处理，图形处理，视频/音频压缩，CDN分发，即时通讯等技术，每一个技术都够你学几年的。

• 直播易：已经有各个领域的大牛，封装好了许多牛逼的框架，我们只需要用别人写好的框架，就能快速的搭建一个直播app，也就是传说中的站在大牛肩膀上编程。

通用直播模型

1. 首先是主播方，它是产生视频流的源头，由一系列流程组成：第一，通过一定的设备来采集数据；第二，将采集的这些视频进行一系列的处理，比如水印、美颜和特效滤镜等处理；第三，将处理后的结果视频编码压缩成可观看可传输的视频流；第四，分发推流，即将压缩后的视频流通过网络通道传输出去。

2. 其次是播放端，播放端功能有两个层面，第一个层面是关键性的需求；另一层面是业务层面的。先看第一个层面，它涉及到一些非常关键的指标，比如秒开，在很多场景当中都有这样的要求，然后是对于一些重要内容的版权保护。为了达到更好的效果，我们还需要配合服务端做智能解析，这在某些场景下也是关键性需求。再来看第二个层面也即业务层面的功能，对于一个社交直播产品来说，在播放端，观众希望能够实时的看到主播端推过来的视频流，并且和主播以及其他观众产生一定的互动，因此它可能包含一些像点赞、聊天和弹幕这样的功能，以及礼物这样更高级的道具。

3. 我们知道，内容产生方和消费方一般都不是一一对应的。对于一个直播产品来讲，最直观的体现就是一个主播可能会有很多粉丝。因此，我们不能直接让主播端和所有播放端进行点对点通信，这在技术上是做不到或者很有难度。主播方播出的视频到达播放端之前，需要经过一系列的中间环节，也就是我们这里讲的直播服务器端。

4. 直播服务器端提供的最核心功能是收集主播端的视频推流，并将其放大后推送给所有观众端。除了这个核心功能，还有很多运营级别的诉求，比如鉴权认证，视频连线和实时转码，自动鉴黄，多屏合一，以及云端录制存储等功能。另外，对于一个主播端推出的视频流，中间需要经过一些环节才能到达播放端，因此对中间环节的质量进行监控，以及根据这些监控来进行智能调度，也是非常重要的诉求。

5. 实际上无论是主播端还是播放端，他们的诉求都不会仅仅是拍摄视频和播放视频这么简单。在这个核心诉求被满足之后，还有很多关键诉求需要被满足。比如，对于一个消费级的直播产品来说，除了这三大模块之外，还需要实现一个业务服务端来进行推流和播放控制，以及所有用户状态的维持。如此，就构成了一个消费级可用的直播产品。

但是正如刚才所说的直播通用模型一样，实际上这里很多功能都可以抽象成一个通用功能，也就是说各家直播产品的需求和实现方式都类似。

直播架构

直播App 架构 和 技术点

直播APP的业务逻辑不复杂，使用基本的MVC框架即可。

• 部分Controller的业务逻辑较多，独立的业务可以拆分出去作为一个单独的Catagory；
• Model的数据变化采用event（notification）的形式通知，便于做多处数据绑定；
• Model之间的相互独立，如果由业务需要，需要交换Model的数据，由Controller代为处理；
• HTTPService为AFNetworking封装，回调Model以Block块为主，特殊的业务逻辑以event（notification）的形式通知；

一个完整直播APP功能

1. 聊天: 私聊、聊天室、点亮、推送、黑名单等;
2. 礼物: 普通礼物、豪华礼物、红包、排行榜、第三方充值、内购、礼物动态更新、提现等；
3. 直播列表: 关注、热门、最新、分类直播用户列表等；
4. 自己直播: 录制、推流、解码、播放、美颜、心跳、后台切换、主播对管理员操作、管理员对用户等；
5. 房间逻辑: 创建房间、进入房间、退出房间、关闭房间、切换房间、房间管理员设置、房间用户列表等；
6. 用户逻辑: 普通登陆、第三方登陆、注册、搜索、修改个人信息、关注列表、粉丝列表、忘记密码、查看个人信息、收入榜、关注和取关、检索等；
7. 观看直播: 聊天信息、滚屏弹幕、礼物显示、加载界面等；
8. 统计: APP业务统计、第三方统计等；
9. 超管: 禁播、隐藏、审核等；

一个完整直播app实现流程

1.采集、2.滤镜处理、3.编码、4.推流、5.CDN分发、6.拉流、7.解码、8.播放、9.聊天互动

了解流媒体（直播需要用到流媒体）

1. 流媒体开发:网络层(socket或st)负责传输，协议层(rtmp或hls)负责网络打包，封装层(flv、ts)负责编解码数据的封装，编码层(h.264和aac)负责图像，音频压缩。

2. 帧:每帧代表一幅静止的图像

3. GOP:（Group of Pictures）画面组，一个GOP就是一组连续的画面，每个画面都是一帧，一个GOP就是很多帧的集合。
   ☞ 直播的数据，其实是一组图片，包括I帧、P帧、B帧，当用户第一次观看的时候，会寻找I帧，而播放器会到服务器寻找到最近的I帧反馈给用户。因此，GOP Cache增加了端到端延迟，因为它必须要拿到最近的I帧
   ☞ GOP Cache的长度越长，画面质量越好

4. 码率：图片进行压缩后每秒显示的数据量。

5. 帧率：每秒显示的图片数。影响画面流畅度，与画面流畅度成正比：帧率越大，画面越流畅；帧率越小，画面越有跳动感。
   ☞ 由于人类眼睛的特殊生理结构，如果所看画面之帧率高于16的时候，就会认为是连贯的，此现象称之为视觉暂留。并且当帧速达到一定数值后，再增长的话，人眼也不容易察觉到有明显的流畅度提升了。

6. 分辨率：(矩形)图片的长度和宽度，即图片的尺寸

7. 压缩前的每秒数据量:帧率X分辨率(单位应该是若干个字节)

8. 压缩比:压缩前的每秒数据量/码率 （对于同一个视频源并采用同一种视频编码算法，则：压缩比越高，画面质量越差。）

9. 视频文件格式：文件的后缀，比如.wmv,.mov,.mp4,.mp3,.avi,
   ☞ 主要用处，根据文件格式，系统会自动判断用什么软件打开,
   注意: 随意修改文件格式，对文件的本身不会造成太大的影响，比如把avi改成mp4,文件还是avi.

10. 视频封装格式：一种储存视频信息的容器，流式封装可以有TS、FLV等，索引式的封装有MP4,MOV,AVI等，
    ☞ 主要作用：一个视频文件往往会包含图像和音频，还有一些配置信息(如图像和音频的关联，如何解码它们等)：这些内容需要按照一定的规则组织、封装起来.
    ☞ 注意：会发现封装格式跟文件格式一样，因为一般视频文件格式的后缀名即采用相应的视频封装格式的名称,所以视频文件格式就是视频封装格式。

11. 视频封装格式和视频压缩编码标准：就好像项目工程和编程语言，封装格式就是一个项目的工程，视频编码方式就是编程语言，一个项目工程可以用不同语言开发。

直播基础知识介绍

采集视频、音频

采集视频、音频编码框架：AVFoundation:AVFoundation是用来播放和创建实时的视听媒体数据的框架，同时提供Objective-C接口来操作这些视听数据，比如编辑，旋转，重编码

视频、音频硬件设备

• CCD:图像传感器： 用于图像采集和处理的过程，把图像转换成电信号。
• 拾音器:声音传感器： 用于声音采集和处理的过程，把声音转换成电信号。
• 音频采样数据:一般都是PCM格式
• 视频采样数据: 一般都是YUV,或RGB格式，采集到的原始音视频的体积是非常大的，需要经过压缩技术处理来提高传输效率

视频处理（美颜，水印）

• 视频处理原理:因为视频最终也是通过GPU，一帧一帧渲染到屏幕上的，所以我们可以利用OpenGL ES，对视频帧进行各种加工，从而视频各种不同的效果，就好像一个水龙头流出的水，经过若干节管道，然后流向不同的目标
• 现在的各种美颜和视频添加特效的app都是利用GPUImage这个框架实现的,.

视频处理框架

• GPUImage : GPUImage是一个基于OpenGL ES的一个强大的图像/视频处理框架,封装好了各种滤镜同时也可以编写自定义的滤镜,其本身内置了多达120多种常见的滤镜效果。
• OpenGL:OpenGL（全写Open Graphics Library）是个定义了一个跨编程语言、跨平台的编程接口的规格，它用于三维图象（二维的亦可）。OpenGL是个专业的图形程序接口，是一个功能强大，调用方便的底层图形库。
• OpenGL ES:OpenGL ES (OpenGL for Embedded Systems) 是 OpenGL三维图形 API 的子集，针对手机、PDA和游戏主机等嵌入式设备而设计。

视频编码解码框架

• FFmpeg:是一个跨平台的开源视频框架,能实现如视频编码,解码,转码,串流,播放等丰富的功能。其支持的视频格式以及播放协议非常丰富,几乎包含了所有音视频编解码、封装格式以及播放协议。
  ☞ -Libswresample:可以对音频进行重采样,rematrixing 以及转换采样格式等操 作。
  ☞ -Libavcodec:提供了一个通用的编解码框架,包含了许多视频,音频,字幕流 等编码/解码器。
  ☞ -Libavformat:用于对视频进行封装/解封装。
  ☞ -Libavutil:包含一些共用的函数,如随机数生成,数据结构,数学运算等。
  ☞ -Libpostproc:用于进行视频的一些后期处理。
  ☞ -Libswscale:用于视频图像缩放,颜色空间转换等。
  ☞ -Libavfilter:提供滤镜功能。
• X264:把视频原数据YUV编码压缩成H.264格式
• VideoToolbox:苹果自带的视频硬解码和硬编码API，但是在iOS8之后才开放。
• AudioToolbox:苹果自带的音频硬解码和硬编码API

视频编码技术

• 视频压缩编码标准：对视频进行压缩(视频编码)或者解压缩（视频解码）的编码技术,比如MPEG，H.264,这些视频编码技术是压缩编码视频的
  ☞ 主要作用:是将视频像素数据压缩成为视频码流，从而降低视频的数据量。如果视频不经过压缩编码的话，体积通常是非常大的，一部电影可能就要上百G的空间。
  ☞ 注意:最影响视频质量的是其视频编码数据和音频编码数据，跟封装格式没有多大关系
• MPEG:一种视频压缩方式，它采用了帧间压缩，仅存储连续帧之间有差别的地方 ，从而达到较大的压缩比
• H.264/AVC:一种视频压缩方式,采用事先预测和与MPEG中的P-B帧一样的帧预测方法压缩，它可以根据需要产生适合网络情况传输的视频流,还有更高的压缩比，有更好的图象质量
  ☞ 注意1:如果是从单个画面清晰度比较，MPEG4有优势；从动作连贯性上的清晰度，H.264有优势
  ☞ 注意2:由于264的算法更加复杂，程序实现烦琐，运行它需要更多的处理器和内存资源。因此，运行264对系统要求是比较高的。
  ☞ 注意3:由于264的实现更加灵活，它把一些实现留给了厂商自己去实现，虽然这样给实现带来了很多好处，但是不同产品之间互通成了很大的问题，造成了通过A公司的编码器编出的数据，必须通过A公司的解码器去解这样尴尬的事情
• H.265/HEVC:一种视频压缩方式,基于H.264，保留原来的某些技术，同时对一些相关的技术加以改进，以改善码流、编码质量、延时和算法复杂度之间的关系，达到最优化设置。
  ☞ H.265 是一种更为高效的编码标准，能够在同等画质效果下将内容的体积压缩得更小，传输时更快更省带宽
  ☞ I帧:(关键帧)保留一副完整的画面，解码时只需要本帧数据就可以完成（因为包含完整画面）
• P帧:(差别帧)保留这一帧跟之前帧的差别，解码时需要用之前缓存的画面叠加上本帧定义的差别，生成最终画面。（P帧没有完整画面数据，只有与前一帧的画面差别的数据）
• B帧:(双向差别帧)保留的是本帧与前后帧的差别，解码B帧，不仅要取得之前的缓存画面，还要解码之后的画面，通过前后画面的与本帧数据的叠加取得最终的画面。B帧压缩率高，但是解码时CPU会比较累
• 帧内（Intraframe）压缩:当压缩一帧图像时，仅考虑本帧的数据而不考虑相邻帧之间的冗余信息,帧内一般采用有损压缩算法
• 帧间（Interframe）压缩:时间压缩（Temporal compression），它通过比较时间轴上不同帧之间的数据进行压缩。帧间压缩一般是无损的
• muxing（合成）：将视频流、音频流甚至是字幕流封装到一个文件中(容器格式（FLV，TS）)，作为一个信号进行传输。

音频编码技术

AAC，mp3：这些属于音频编码技术,压缩音频用

码率控制

• 多码率:观众所处的网络情况是非常复杂的，有可能是WiFi，有可能4G、3G、甚至2G，那么怎么满足多方需求呢？多搞几条线路，根据当前网络环境自定义码率。
  ☞ 例如：常常看见视频播放软件中的1024，720，高清，标清，流畅等，指的就是各种码率。

视频封装格式

• TS : 一种流媒体封装格式，流媒体封装有一个好处，就是不需要加载索引再播放，大大减少了首次载入的延迟，如果片子比较长，mp4文件的索引相当大，影响用户体验
  ☞ 为什么要用TS:这是因为两个TS片段可以无缝拼接，播放器能连续播放
• FLV: 一种流媒体封装格式,由于它形成的文件极小、加载速度极快，使得网络观看视频文件成为可能,因此FLV格式成为了当今主流视频格式

推流

数据传输框架

• librtmp:用来传输RTMP协议格式的数据

流媒体数据传输协议

• RTMP(Real Time Messaging Protocol，实时消息传输协议)属于五层TCP/IP体系中的应用层，它是基于TCP传输的流媒体协议，默认端口为1935，是一个协议族，包括RTMP基本协议及RTMPT、RTMPS、REMPE等多种变种。RTMP协议是Adobe System公司为Flash播放器和FMS服务器之间音视频和数据传输开发的私有协议，用来解决多媒体数据传输流的多路复用（Multiplexing）和分包（packetizing）的问题，基于此协议，abobe提供完善的音视频解决方案，比如点播、直播、互动。
  ☞ RTMP协议用于对象、视频、音频的传输。
  ☞ 这个协议建立在TCP协议或者轮询HTTP协议之上。
  ☞ RTMP协议就像一个用来装数据包的容器，这些数据可以是FLV中的视音频数据。一个单一的连接可以通过不同的通道传输多路网络流，这些通道中的包都是按照固定大小的包传输的
  ☞ chunk:消息包

流媒体服务器

常用服务器

• SRS：一款国人开发的优秀开源流媒体服务器系统
• BMS:也是一款流媒体服务器系统，但不开源，是SRS的商业版，比SRS功能更多
• nginx:免费开源web服务器，常用来配置流媒体服务器。

数据分发

• CDN：(Content Delivery Network)，即内容分发网络,将网站的内容发布到最接近用户的网络”边缘”，使用户可以就近取得所需的内容，解决 Internet网络拥挤的状况，提高用户访问网站的响应速度.
  ☞ CDN：代理服务器，相当于一个中介。
  ☞ CDN工作原理：比如请求流媒体数据
  ☞☞ 1.上传流媒体数据到服务器（源站）
  ☞☞ 2.源站存储流媒体数据
  ☞☞ 3.客户端播放流媒体，向CDN请求编码后的流媒体数据
  ☞☞ 4.CDN的服务器响应请求，若节点上没有该流媒体数据存在，则向源站继续请求流媒体数据；若节点上已经缓存了该视频文件，则跳到第6步。
  ☞☞ 5.源站响应CDN的请求，将流媒体分发到相应的CDN节点上
  ☞☞ 6.CDN将流媒体数据发送到客户端
• 回源：当有用户访问某一个URL的时候，如果被解析到的那个CDN节点没有缓存响应的内容，或者是缓存已经到期，就会回源站去获取搜索。如果没有人访问，那么CDN节点不会主动去源站拿.
• 带宽:在固定的时间可传输的数据总量，
  ☞ 比如64位、800MHz的前端总线，它的数据传输率就等于64bit×800MHz÷8(Byte)=6.4GB/s
• 负载均衡: 由多台服务器以对称的方式组成一个服务器集合，每台服务器都具有等价的地位，都可以单独对外提供服务而无须其他服务器的辅助.
  ☞ 通过某种负载分担技术，将外部发送来的请求均匀分配到对称结构中的某一台服务器上，而接收到请求的服务器独立地回应客户的请求。
  ☞ 均衡负载能够平均分配客户请求到服务器列阵，籍此提供快速获取重要数据，解决大量并发访问服务问题。
  ☞ 这种群集技术可以用最少的投资获得接近于大型主机的性能。
• QoS（带宽管理）:限制每一个组群的带宽，让有限的带宽发挥最大的效用

拉流

• 直播协议选择：
  ☞ 即时性要求较高或有互动需求的可以采用RTMP,RTSP
  ☞ 对于有回放或跨平台需求的，推荐使用HLS
  
• HLS:由Apple公司定义的用于实时流传输的协议,HLS基于HTTP协议实现，传输内容包括两部分，一是M3U8描述文件，二是TS媒体文件。可实现流媒体的直播和点播，主要应用在iOS系统
  ☞ HLS是以点播的技术方式来实现直播
  ☞ HLS是自适应码率流播，客户端会根据网络状况自动选择不同码率的视频流，条件允许的情况下使用高码率，网络繁忙的时候使用低码率，并且自动在二者间随意切换。这对移动设备网络状况不稳定的情况下保障流畅播放非常有帮助。
  ☞ 实现方法是服务器端提供多码率视频流，并且在列表文件中注明，播放器根据播放进度和下载速度自动调整。
• HLS与RTMP对比:HLS主要是延时比较大，RTMP主要优势在于延时低
  ☞ HLS协议的小切片方式会生成大量的文件，存储或处理这些文件会造成大量资源浪费
  ☞ 相比使用RTSP协议的好处在于，一旦切分完成，之后的分发过程完全不需要额外使用任何专门软件，普通的网络服务器即可，大大降低了CDN边缘服务器的配置要求，可以使用任何现成的CDN,而一般服务器很少支持RTSP。
• HTTP-FLV:基于HTTP协议流式的传输媒体内容。
  ☞ 相对于RTMP，HTTP更简单和广为人知，内容延迟同样可以做到1~3秒，打开速度更快，因为HTTP本身没有复杂的状态交互。所以从延迟角度来看，HTTP-FLV要优于RTMP。
• RTSP:实时流传输协议,定义了一对多应用程序如何有效地通过IP网络传送多媒体数据.
• RTP:实时传输协议,RTP是建立在UDP协议上的，常与RTCP一起使用，其本身并没有提供按时发送机制或其它服务质量（QoS）保证，它依赖于低层服务去实现这一过程。
• RTCP:RTP的配套协议,主要功能是为RTP所提供的服务质量（QoS）提供反馈，收集相关媒体连接的统计信息，例如传输字节数，传输分组数，丢失分组数，单向和双向网络延迟等等。

解码

解封装

• demuxing（分离）：从视频流、音频流，字幕流合成的文件(容器格式（FLV，TS）)中， 分解出视频、音频或字幕，各自进行解码。

音频编码框架

• fdk_aac:音频编码解码框架，PCM音频数据和AAC音频数据互转

解码介绍

• 硬解码：用GPU来解码，减少CPU运算
  ☞ 优点：播放流畅、低功耗，解码速度快，
  ☞ 缺点：兼容不好
• 软解码：用CPU来解码
  ☞ 优点：兼容好
  ☞ 缺点：加大CPU负担，耗电增加、没有硬解码流畅，解码速度相对慢

播放

• ijkplayer:一个基于FFmpeg的开源Android/iOS视频播放器
  ☞ API易于集成；
  ☞ 编译配置可裁剪，方便控制安装包大小；
  ☞ 支持硬件加速解码，更加省电
  ☞ 简单易用，指定拉流URL，自动解码播放.

聊天互动

*IM:(InstantMessaging)即时通讯:是一个实时通信系统，允许两人或多人使用网络实时的传递文字消息、文件、语音与视频交流.
☞ IM在直播系统中的主要作用是实现观众与主播、观众与观众之间的文字互动.

• 第三方SDK
  ☞ 腾讯云：腾讯提供的即时通讯SDK，可作为直播的聊天室
  ☞ 融云：一个比较常用的即时通讯SDK，可作为直播的聊天室

如何快速的开发一个完整的iOS直播app

1、利用第三方直播SDK快速的开发

• 七牛云:七牛直播云是专为直播平台打造的全球化直播流服务和一站式实现SDK端到端直播场景的企业级直播云服务平台.
  ☞ 熊猫TV,龙珠TV等直播平台都是用的七牛云

• 网易视频云：基于专业的跨平台视频编解码技术和大规模视频内容分发网络，提供稳定流畅、低延时、高并发的实时音视频服务，可将视频直播无缝对接到自身App.

• 阿里云视频直播解决方案
  ☞ 直播推流 SDK(iOS/Android)
  ☞ 直播播放器 SDK(iOS/Android)
  

2、第三方SDK公司为什么要提供SDK给我们？

• 希望把我们的产品和它绑在一条船上，更加的依赖它。
• 技术生钱，帮养一大批牛B的程序员

3、直播功能：自研还是使用第三方直播SDK开发？

• 第三方SDK开发: 对于一个初创团队来讲，自研直播不管在技术门槛、CDN、带宽上都是有很大的门槛的，而且需要耗费大量的时间才能做出成品，不利于拉投资。

• 自研：公司直播平台大，从长远看，自研可以节省成本，技术成面比直接用SDK可控多了。

4.第三方SDK好处

• 降低成本
  ☞ 使用好的第三方企业服务，将不用再花高价请猎头去挖昂贵的大牛，也不用去安抚大牛们个性化的脾气
• 提升效率
  ☞ 第三方服务的专注与代码集成所带来的方便，所花费的时间可能仅仅是1-2个小时，节约近99%的时间，足够换取更多的时间去和竞争对手斗智斗勇，增加更大的成功可能性
• 降低风险
  ☞ 借助专业的第三方服务，由于它的快速、专业、稳定等特点，能够极大地加强产品的竞争能力（优质服务、研发速度等），缩短试错时间，必将是创业中保命的手段之一
• 专业的事，找专业的人来做
  ☞ 第三方服务最少是10-20人的团队专注地解决同一个问题，做同一件事情。第三方服务所带来的支持效果，绝不是通过1-2个人处理所能对比的，难道不是吗

优质资源

• 【如何快速的开发一个完整的iOS直播app】(原理篇)
• 【如何快速的开发一个完整的iOS直播app】(播放篇)
• 【如何快速的开发一个完整的iOS直播app】(采集篇)
• 【如何快速的开发一个完整的iOS直播app】(美颜篇)
• 何李石：七牛直播云服务技术详解
• 视频直播的技术原理和实现思路方案整理

喜欢请帮忙点赞，收藏！！！

参考

https://github.com/f2e-journey/xueqianban/issues/61

https://www.jianshu.com/p/bd42bacbe4cc

https://www.jianshu.com/p/d99e83cab39a