android 多媒体文件之mp4分析

baopbird2005

我们讲多媒体，涉及到的最多的就是MP4文件和MP3文件了，但是我们对这两个文件的格式了解多少呢，它的由有哪些部分部分组成呢？它的核心部件是哪些？它哪些部分是供解码器去解析的呢？带着这些疑问，我们首先来探索下MP4文件。
我们首先用MP4Info这个工具来看下MP4的大貌：



从上图我们可以看到MP4文件中的所有数据都装在box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；一个moov可以由多个tracks组成。每个track就是一个随时间变化的媒体序列，例如，视频帧序列。track里的每个时间单位是一个sample，它可以是一帧视频，或者音频。sample按照时间顺序排列。注意，一帧音频可以分解成多个音频sample，所以音频一般用sample作为单位，而不用帧。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。“free”类型的box，就是一些自由的信息，可以写，也可以不写。
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。

BOX
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。
对应的代码片段为：framework/av/media/libstagefright/MPEG4Extrator.cpp

1. status_t MPEG4Extractor::parseChunk(off64_t *offset, int depth) {
   
2.     ALOGV("entering parseChunk %lld/%d", *offset, depth);
   
3.     uint32_t hdr[2];
   
4.     static const char* mQTMajorBrand = "qt  ";
   
5.     if (mDataSource->readAt(*offset, hdr, 8) < 8) {
   
6.         return ERROR_IO;
   
7.     }
   
8.     uint64_t chunk_size = ntohl(hdr[0]);---box size
   
9.     uint32_t chunk_type = ntohl(hdr[1]);---box type
   
10.     off64_t data_offset = *offset + 8;
    
11. 
    
12.     if (chunk_size == 1) {
    
13.         if (mDataSource->readAt(*offset + 8, &chunk_size, 8) < 8) {---读取box size的大小
    
14.             return ERROR_IO;
    
15.         }
    
16.         chunk_size = ntoh64(chunk_size); ---将64位的网络字节转换为主机字节
    
17.         data_offset += 8;
    
18. ……….
    
19.     char chunk[5];
    
20.     MakeFourCCString(chunk_type, chunk);  ----FOURCC全称Four-Character Codes，是在编程
    
21. 中非常常用的东西，一般用作标示符。它是一个32位的标示符，其实就是typedef unsigned long FOURCC
    
22. 
    
23. }
    
24. …………
    
25. }
    
26. 
    
27. 
    
28. static void MakeFourCCString(uint32_t x, char *s) {
    
29.     s[0] = x >> 24;
    
30.     s[1] = (x >> 16) & 0xff;
    
31.     s[2] = (x >> 8) & 0xff;
    
32.     s[3] = x & 0xff;
    
33.     s[4] = '\0';
    
34. }

复制代码

File Type Box(ftyp)
File Type Box（ftyp）：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：
对应的的代码如下：
framework/av/media/libstagefright/MPEG4Extrator.cpp

1. status_t MPEG4Extractor::parseChunk(off64_t *offset, int depth) {
   
2. switch(chunk_type) {
   
3.         case FOURCC('f', 't', 'y', 'p'):
   
4.         {
   
5.             if (chunk_data_size < 4) {
   
6.                 return ERROR_MALFORMED;
   
7.             }
   
8. 
   
9.             uint32_t ftype;
   
10.             if (mDataSource->readAt(data_offset, &ftype, 4) < 4) {
    
11.                 return ERROR_IO;
    
12.             }
    
13. 
    
14.             MakeFourCCString(ntohl(ftype), mMajorBrand); -----major brand
    
15. 
    
16.             *offset += chunk_size;
    
17.             break;
    
18.         }
    
19. }

复制代码

Movie Box（moov）
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， “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。 结构图 上图

Movie Header Box（mvhd）

1. status_t MPEG4Extractor::parseChunk(off64_t *offset, int depth) {
   
2.     ALOGV("entering parseChunk %lld/%d", *offset, depth);
   
3.     uint32_t hdr[2];
   
4.     static const char* mQTMajorBrand = "qt  ";
   
5.     if (mDataSource->readAt(*offset, hdr, 8) < 8) {
   
6.         return ERROR_IO;
   
7.     }
   
8.     uint64_t chunk_size = ntohl(hdr[0]);---box size
   
9.     uint32_t chunk_type = ntohl(hdr[1]);---box type
   
10. ………………….
    
11. case FOURCC('m', 'v', 'h', 'd'):
    
12.         {
    
13.             if (chunk_data_size < 12) { //increase to 16?---
    
14.                 return ERROR_MALFORMED;
    
15.             }
    
16. 
    
17.             uint8_t header[16];
    
18.             if (mDataSource->readAt(
    
19.                         data_offset, header, sizeof(header))
    
20.                     < (ssize_t)sizeof(header)) {
    
21.                 return ERROR_IO;
    
22.             }
    
23. 
    
24.             int64_t creationTime;
    
25.             if (header[0] == 1) {
    
26.                 creationTime = U64_AT(&header[4]);
    
27.                 mFileMetaData->setInt64(kKeyEditOffset, 0 );
    
28.             } else if (header[0] != 0) {
    
29.                 return ERROR_MALFORMED;
    
30.             } else {
    
31.                 creationTime = U32_AT(&header[4]);-------创建时间，4个字节
    
32.                 int32_t mvTimeScale = U32_AT(&header[12]);---时间刻度，4个字节
    
33. 
    
34.                 mFileMetaData->setInt32(kKeyEditOffset, mvTimeScale );
    
35.             }
    
36. 
    
37.             String8 s;
    
38.             convertTimeToDate(creationTime, &s);
    
39. 
    
40.             mFileMetaData->setCString(kKeyDate, s.string());
    
41. 
    
42.             *offset += chunk_size;
    
43.             break;
    
44.         }

复制代码

Track Box（trak）
“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。

1. status_t MPEG4Extractor::parseChunk(off64_t *offset, int depth) {
   
2.     ALOGV("entering parseChunk %lld/%d", *offset, depth);
   
3.     uint32_t hdr[2];
   
4.     static const char* mQTMajorBrand = "qt  ";
   
5.     if (mDataSource->readAt(*offset, hdr, 8) < 8) {
   
6.         return ERROR_IO;
   
7.     }
   
8.     uint64_t chunk_size = ntohl(hdr[0]);---box size
   
9.     uint32_t chunk_type = ntohl(hdr[1]);---box type
   
10. ……………………..
    
11. if (chunk_type == FOURCC('t', 'r', 'a', 'k')) {
    
12.                 isTrack = true;
    
13.                 Track *track = new Track; --- 如果是Track，new 个track
    
14.                 track->next = NULL;
    
15.                 if (mLastTrack) {
    
16.                     mLastTrack->next = track;
    
17.                 } else {
    
18.                     mFirstTrack = track;
    
19.                 }
    
20.                 mLastTrack = track;
    
21. 
    
22.                 track->meta = new MetaData;
    
23.                 track->includes_expensive_metadata = false;
    
24.                 track->skipTrack = false;
    
25.                 track->timescale = 0;
    
26.                 track->meta->setCString(kKeyMIMEType, "application/octet-stream");
    
27.             }
    
28. 
    
29.             off64_t stop_offset = *offset + chunk_size;
    
30.             *offset = data_offset;
    
31.             while (*offset < stop_offset) {
    
32.                 if (stop_offset - *offset >= 8) {
    
33.                     status_t err = parseChunk(offset, depth + 1);
    
34.                     if (err != OK) {
    
35.                         if(chunk_type == FOURCC('u', 'd', 't', 'a')){
    
36.                             ALOGW("error in udta atom, ignoring %llu bytes",stop_offset - *offset);
    
37.                             *offset = stop_offset;
    
38.                         } else {
    
39.                             return err;
    
40.                         }
    
41.                     }
    
42.                 }
    
43. ………….
    
44. }

复制代码

下图为总的概括：

baopbird2005

Sample Table Box（stbl）
“stbl”几乎是普通的MP4文件中最复杂的一个box了。sample是媒体数据存储的单位，存储在media的chunk中，chunk和sample的长度均可互不相同。chunk是几个sample的集合。“stbl”包含了关于track中sample所有时间和位置的信息，以及sample的编解码等信息。利用这个表，可以解释sample的时序、类型、大小以及在各自存储容器中的位置。“stbl”是一个container box，其子box包括：sample description box（stsd）、time to sample box（stts）、sample size box（stsz或stz2）、sample to chunk box（stsc）、chunk offset box（stco或co64）、composition time to sample box（ctts）、sync sample box（stss）等。“stsd”必不可少，且至少包含一个条目，该box包含了data reference box进行sample数据检索的信息。没有“stsd”就无法计算media sample的存储位置。“stsd”包含了编码的信息，其存储的信息随媒体类型不同而不同。

1. if (chunk_type == FOURCC('s', 't', 'b', 'l')) {
   
2.                 ALOGV("sampleTable chunk is %d bytes long.", (size_t)chunk_size);
   
3. 
   
4.                 if (mDataSource->flags()
   
5.                         & (DataSource::kWantsPrefetching
   
6.                             | DataSource::kIsCachingDataSource)) {
   
7.                     sp<MPEG4DataSource> cachedSource =
   
8.                         new MPEG4DataSource(mDataSource);
   
9. 
   
10.                     if (cachedSource->setCachedRange(*offset, chunk_size) == OK) {
    
11.                         mDataSource = cachedSource;
    
12.                     }
    
13.                 }
    
14. 
    
15.                 mLastTrack->sampleTable = new SampleTable(mDataSource);----创建sampletable，每个track对应一个sampletable
    
16.             }

复制代码

Sample Description Box（stsd）

box header和version字段后会有一个entry count字段，根据entry的个数，每个entry会有type信息，如“vide”、“sund”等，根据type不同sample description会提供不同的信息，例如对于video track，会有“VisualSampleEntry”类型信息，对于audio track会有“AudioSampleEntry”类型信息。视频的编码类型、宽高、长度，音频的声道、采样等信息都会出现在这个box中。

1. case FOURCC('s', 't', 's', 'd'):
   
2.         {
   
3. 
   
4. ,…………………………….
   
5.             uint32_t entry_count = U32_AT(&buffer[4]);
   
6. 
   
7.             off64_t stop_offset = *offset + chunk_size;
   
8.             *offset = data_offset + 8;
   
9. 
   
10.             if (entry_count > 1) {----针对3GPP，有可能有多个entry_count，但目前我们每个track支持单类型的media
    
11.                 // For 3GPP timed text, there could be multiple tx3g boxes contain
    
12.                 // multiple text display formats. These formats will be used to
    
13.                 // display the timed text.
    
14.                 const char *mime;
    
15.                 CHECK(mLastTrack->meta->findCString(kKeyMIMEType, &mime));
    
16.                 if (!strcasecmp(mime, MEDIA_MIMETYPE_TEXT_3GPP)) {
    
17.                      ALOGV("Text track found");
    
18.                      for (uint32_t i = 0; i < entry_count; ++i) {
    
19.                      status_t err = parseChunk(offset, depth + 1);
    
20.                         if (err != OK) {
    
21.                             return err;
    
22.                         }
    
23.                      }
    
24.                     // For now we only support a single type of media per track.
    
25.                 }
    
26.                 else {
    
27.                      status_t err = mLastTrack->sampleTable->setSampleDescParams(entry_count, *offset, chunk_data_size);
    
28.                      if (err != OK) {
    
29.                          return ERROR_IO;
    
30.                      }
    
31.                      //视频的编码类型、宽高、长度，音频的声道、采样等信息
    
32.                      mHasVideo = true;
    
33.                      uint8_t avc1[86];//(avc1-avcc) which is fixed
    
34.                      if (mDataSource->readAt(*offset, avc1, sizeof(avc1)) < (ssize_t)sizeof(avc1)) {
    
35.                          return ERROR_IO;
    
36.                      }
    
37.                      uint32_t chunk_type = U32_AT(&avc1[4]);
    
38.                      uint16_t data_ref_index = U16_AT(&avc1[14]);
    
39.                      uint16_t width = U16_AT(&avc1[32]);
    
40.                      uint16_t height = U16_AT(&avc1[34]);
    
41. 
    
42.                      mLastTrack->meta->setCString(kKeyMIMEType, FourCC2MIME(chunk_type));
    
43.                      mLastTrack->meta->setInt32(kKeyWidth, width);
    
44.                      mLastTrack->meta->setInt32(kKeyHeight, height);
    
45. 
    
46.                      uint8_t *avcc;
    
47.                      uint32_t avccSize;
    
48.                      mLastTrack->sampleTable->getSampleDescAtIndex(1, &avcc, &avccSize);
    
49.                      mLastTrack->meta->setData(kKeyAVCC, kTypeAVCC, avcc, avccSize);
    
50.                      *offset = stop_offset;
    
51.                 }
    
52.             } else {
    
53.                  for (uint32_t i = 0; i < entry_count; ++i) {
    
54.                      status_t err = parseChunk(offset, depth + 1);
    
55.                      if (err != OK) {
    
56.                         return err;
    
57.                      }
    
58.                  } // end of for
    
59. 
    
60.             }//end of entry count 1
    
61. 
    
62.             if (*offset != stop_offset) {
    
63.                 return ERROR_MALFORMED;
    
64.             }
    
65.             break;
    
66.         }

复制代码

baopbird2005

Time To Sample Box（stts）
“stts”存储了sample的duration，描述了sample时序的映射方法，我们通过它可以找到任何时间的sample。“stts”可以包含一个压缩的表来映射时间和sample序号，用其他的表来提供每个sample的长度和指针。表中每个条目提供了在同一个时间偏移量里面连续的sample序号，以及samples的偏移量。递增这些偏移量，就可以建立一个完整的time to sample表。

1. case FOURCC('s', 't', 't', 's'):
   
2.         {
   
3.             status_t err =
   
4.                 mLastTrack->sampleTable->setTimeToSampleParams(---该方法在SampleTable.cpp，映射时间和sample序号
   
5.                         data_offset, chunk_data_size);
   
6. 
   
7.             if (err != OK) {
   
8.                 return err;
   
9.             }
   
10. 
    
11.             *offset += chunk_size;
    
12.             break;
    
13.         }

复制代码

Sample Size Box（stsz）
“stsz” 定义了每个sample的大小，包含了媒体中全部sample的数目和一张给出每个sample大小的表。这个box相对来说体积是比较大的。

1. case FOURCC('s', 't', 's', 'z'):
   
2.         case FOURCC('s', 't', 'z', '2'):
   
3.         {
   
4.             status_t err =
   
5.                 mLastTrack->sampleTable->setSampleSizeParams(-----该方法在SampleTable.cpp，设置sample大小
   
6.                      chunk_type, data_offset, chunk_data_size);
   
7. 
   
8.             if (err != OK) {
   
9.                 return err;
   
10.             }
    
11. 
    
12.             size_t max_size;
    
13.             err = mLastTrack->sampleTable->getMaxSampleSize(&max_size);
    
14. 
    
15.             if (err != OK) {
    
16.                 return err;
    
17.             }
    
18. 
    
19.             // Assume that a given buffer only contains at most 10 fragments,
    
20.             // each fragment originally prefixed with a 2 byte length will
    
21.             // have a 4 byte header (0x00 0x00 0x00 0x01) after conversion,
    
22.             // and thus will grow by 2 bytes per fragment.
    
23.             mLastTrack->meta->setInt32(kKeyMaxInputSize, max_size + 10 * 2);
    
24.             *offset += chunk_size;
    
25. 
    
26.             // Calculate average frame rate.
    
27.             const char *mime;
    
28.             CHECK(mLastTrack->meta->findCString(kKeyMIMEType, &mime));
    
29.             if (!strncasecmp("video/", mime, 6)) {
    
30.                 size_t nSamples = mLastTrack->sampleTable->countSamples();
    
31.                 int64_t durationUs;
    
32.                 if (mLastTrack->meta->findInt64(kKeyDuration, &durationUs)) {
    
33.                     if (durationUs > 0) {
    
34.                         int32_t frameRate = (nSamples * 1000000LL +
    
35.                                     (durationUs >> 1)) / durationUs;
    
36.                         mLastTrack->meta->setInt32(kKeyFrameRate, frameRate);
    
37.                     }
    
38.                 }
    
39.             }
    
40. 
    
41.             break;
    
42.         }

复制代码

Sample To Chunk Box（stsc）
用chunk组织sample可以方便优化数据获取，一个chunk包含一个或多个sample。“stsc”中用一个表描述了sample与chunk的映射关系，查看这张表就可以找到包含指定sample的chunk，从而找到这个sample。

1. case FOURCC('s', 't', 's', 'c'):
   
2.         {
   
3.             status_t err =
   
4.                 mLastTrack->sampleTable->setSampleToChunkParams(该方法在SampleTable.cpp，映射sample和chunk的关系，一个或多个sample组成一个chunk
   
5. 
   
6.                         data_offset, chunk_data_size);
   
7. 
   
8.             if (err != OK) {
   
9.                 return err;
   
10.             }
    
11. 
    
12.             *offset += chunk_size;
    
13.             break;
    
14.         }

复制代码

Sync Sample Box（stss）
“stss”确定media中的关键帧。对于压缩媒体数据，关键帧是一系列压缩序列的开始帧，其解压缩时不依赖以前的帧，而后续帧的解压缩将依赖于这个关键帧。“stss”可以非常紧凑的标记媒体内的随机存取点，它包含一个sample序号表，表内的每一项严格按照sample的序号排列，说明了媒体中的哪一个sample是关键帧。如果此表不存在，说明每一个sample都是一个关键帧，是一个随机存取点。
如何查找关键帧呢？
1：确定给定时间的sample序号检查sync sample atom来发现这个sample序号之后的key frame
2：检查sample-to-chunk atom来发现对应该sample的chunk
3：从chunk offset atom中提取该chunk的偏移量
4：利用sample size atom找到sample在trunk内的偏移量和sample的大小

1. case FOURCC('s', 't', 's', 's'):
   
2.         {
   
3.             status_t err =
   
4.                 mLastTrack->sampleTable->setSyncSampleParams(----设置关键帧
   
5.                         data_offset, chunk_data_size);
   
6. 
   
7.             if (err != OK) {
   
8.                 return err;
   
9.             }
   
10. 
    
11.             *offset += chunk_size;
    
12.             break;
    
13.         }

复制代码

Chunk Offset Box（stco）
“stco”定义了每个chunk在媒体流中的位置。位置有两种可能，32位的和64位的，后者对非常大的电影很有用。在一个表中只会有一种可能，这个位置是在整个文件中的，而不是在任何box中的，这样做就可以直接在文件中找到媒体数据，而不用解释 box。需要注意的是一旦前面的box有了任何改变，这张表都要重新建立，因为位置信息已经改变了。

1. case FOURCC('s', 't', 'c', 'o'):
   
2.         case FOURCC('c', 'o', '6', '4'):
   
3.         {
   
4.             status_t err =
   
5.                 mLastTrack->sampleTable->setChunkOffsetParams(---设置chunk的偏移量
   
6.                         chunk_type, data_offset, chunk_data_size);
   
7. 
   
8.             if (err != OK) {
   
9.                 return err;
   
10.             }
    
11. 
    
12.             *offset += chunk_size;
    
13.             break;
    
14.         }

复制代码

Free Space Box（free或skip）
“free”中的内容是无关紧要的，可以被忽略。该box被删除后，不会对播放产生任何影响。
Meida Data Box（mdat）
该box包含于文件层，可以有多个，也可以没有（当媒体数据全部为外部文件引用时），用来存储媒体数据。