mp4文件结构举例

MP4文件结构由MPEG定义，由14496-12和14496-14具体定义。其中，14496定义了一个通用的标准和大体框架，它适用于多种文件格式的定义。14496-14是对其中一种文件格式（MP4）的具体定义。

1. 文件结构

整个文件由Box组成，所有的数据都在Box内定义。Box可以层级嵌套，例如，moov可以包含多个trak。Box结构应该不用缀述，简单列一下：

[cpp] view plaincopy

1. aligned(8) class Box (unsigned int(32) boxtype, optional unsigned int(8)[16] extended_type)   
2. {  
3.   unsigned int(32) size;  
4.   unsigned int(32) type = boxtype;  
5.   if (size==1)   
6.    {  
7.     unsigned int(64) largesize;  
8.    }   
9.    else if (size==0)   
10.    {  
11.      // box extends to end of file  
12.    }  
13.    if (boxtype==‘uuid’) {  
14.       unsigned int(8)[16] usertype = extended_type;  
15.    }  
16. }  

就是说一般情况下Box是以8个字节开头，接着就是Box的数据。这个8个字节分别表示size和type。size是整个Box的字节数，含size和type本身。type是4个可读的字符。例如:File Type Box的type就ftyp。 标准的type都是4个字符，如果要自定义的type，则需要把type设为"uuid"，然后再附上16个字符作为自定义type

还有一种FullBox结构，对Box做了一些扩展，添加了2个字段：

[cpp] view plaincopy

1. aligned(8) class FullBox(unsigned int(32) boxtype, unsigned int(8) v, bit(24) f) extends Box(boxtype)  
2. {  
3.    unsigned int(8) version = v;  
4.    bit(24) flags = f;  
5. }  

2. 数据类型

整数  : 以big-endian存储

unsigned int(8)

unsigned int(32)

定点小数 fixed point

template int(32) rate = 0x00010000;

其字段标明是16.16的fixed point number，表示前16位表示整数部分，后16位表示小数部分。例如，0x00010100 = 1.25 (0x0100 / 0x10000)

短阵 matrix

短阵只在MovieHeaderBox中用到，限定为3x3的矩阵，也就是9个元素。

(p q 1) * | a b u | = (m n z)
               | c d v |
               | x y w |

template int(32)[9] matrix =
{ 0x00010000,0,0,0,0x00010000,0,0,0,0x40000000 };

注意，{a,b,u, c,d,v, x,y,w}.中，u,v,w是2.30的fixed point，其他是16.16的fixed point，这个默认矩阵

0x00010000     0            0

0              0x00010000   0

0                       0          0x40000000

换算一下就是

1  0  0

0  1  0

0  0  1

也就是说转换后坐标p' =p, q'=q，即原番不变。

template 与 pre-defined

template表示预留给其他文档用，在本文档中可以忽略（这个字段存在，值总是默认值)

pre-defined表示此字段在先前版本中出现

以一个长度为10秒的MP4为例，其结构可能如下：

type: ftyp,        size:       24
type: mdat,     size:  8884701
type: mdat,     size:   136125
type: moov,     size:     4656

1. ftyp

一个ftyp对文件的类型进行描述，指明其符合哪些格式。一般就是mp4格式了。符合本文档的媒体类型有很多种，box条目的种类也不同，所以需要brand与compatible_brands的来说明此文件内的box的种类。文档中定义了isom, avc1, iso2, mp71, iso3这些brand应有的格式，当解码器在读出其brand后，就知道该文件的格式了。

[cpp] view plaincopy

1. aligned(8) class FileTypeBox extends Box(‘ftyp’) {  
2.   unsigned int(32) major_brand;  
3.   unsigned int(32) minor_version;  
4.   unsigned int(32) compatible_brands[]; // to end of the box  
5. }  

2. mdat

上例中有2个mdat，一个是视频内容、另一个音频内容。对于h264, aac编码的媒体来说，其视频mdat中内容是nal，对于音频来说，其内容为aac的一帧。mdat中的帧依次存放，每个帧的位置、时间、长度都由moov中的信息指定。可以看出，mdat是很好组建的，这种Box只含有数据。

[cpp] view plaincopy

1. aligned(8) class MediaDataBox extends Box(‘mdat’) {  
2.    bit(8) data[];  
3. }  

3. moov

moov存放影片的所有信息，一个moov含有多个trak。通常对于一个片子来说，就是一个视频trak，一个音频trak。MP4文件的重点也在于此。

(1) trak / tkhd

对于视频trak，存宽、高信息；对于音频trak，存音量信息。并不是太重要，真正初始化解码器要靠 stsd中的信息。

(2) trak / mdia / hdlr

标明该trak是视频还是音频

(3) trak / mdia / minf / stbl

所有重要的表都在这里。其中，

   - stsd: 编码器CODEC信息

   - stsz: 用于sample的划分，通常一个sample可以对应于frame。

   - stsc: 多个sample组成一个trunk，不过实际操作中可以让一个sample直接构成一个trunk

   - stco: trunk在文件中的位置，用于定位。

   - stts / ctts: 指定每个sample的PTS, DTS

(4) trak / edts / elst

把视频分为多段segment, 每个的起始时间和时长