RTP传输视频数据的两个细节

最近接到一个工作，为视频会议的视频编码增加一种VP8格式。整个流程包括VP8的编码，封包，发送，接收，解包，解码。在学习这一部分的代码时，注意到两个细节：一，对于压缩后大于1000字节的视频数据进行了拆包，既把较大的视频数据封装成多个RTP包进行发送。二，视频数据并不是拆包后立即发出，而是进入一个队列，根据一定条件进行等待后再发出。
那么，为什么要进行这两个处理呢？

背景

视频数据的特征

观察项目中的音频数据，是并没有这两个处理的。那么音频和视频有什么不同呢？
音频数据是每20ms得到一帧数据，每一帧比较小。以48000K，单声道为例，48000 * 20 / 1000,也就960个采样，每个采样16位，也就1920字节，经过压缩，肯定是小于1000字节的。
而视频数据不同，视频的数据量远远大于音频(几十甚至上百倍)，特别是关键帧，一帧数据压缩后依然非常大。也就是一瞬间，会产生大量的数据待发。

RTP通常是基于UDP的

另一方面，RTP（实时传输协议）虽然可以基于不同的网络，但为了提高实时性，还是基于UDP为多。我们项目中，就是基于UDP发送的。UDP是一个无连接，不保障的网络协议。

原因解析

为什么需要拆包

UDP能接受的最大包，大约是64K左右。如果向UDP发送一个大包，会在下层自动拆分成多个包ÿ