常见视频封装格式（1） — AVI

1. 概述

AVI（Audio Video Interleaved）是一种音视频的封装格式，于 1992 年由微软公司推出。

AVI 主要应用在多媒体光盘上，用来保存电视、电影等各种影像信息，尽管国际学术界公认 AVI 已经属于被淘汰的技术，但是简单易懂的开发 API，还在被广泛使用。

AVI 符合 RIFF（Resource Interchange File Format）文件规范，使用四字符码 FOURCC（four-character code）来表征数据类型。AVI 的文件结构分为头部、主体和索引三部分。 主体中图像数据和声音数据是交互存放的，从尾部的索引可以索引跳到自己想放的位置。

AVI 本身只是提供了这么一个框架，内部的图像数据和声音数据格式可以是任意的编码形式。因为索引放在了文件尾部，所以在播网络流媒体时已属力不从心。一个很简单的例子，从网络上下载 AVI 文件，如果没有下载完成，是很难正常播放出来。

2.1 基本数据单元

AVI 中有两种最基本的数据单元，一个是 chunk，一个是 list。这两种结构如下：

Chunks
typedef struct {
    DWORD dwFourCC    // 四字节码，表示块类型
    DWORD dwSize      // 占 4 个字节，记录块的大小
    BYTE data[dwSize] // 实际的块数据
} CHUNK;
 
Lists
typedef struct {
    DWORD dwList        // 四字节码，固定为 "LIST"
    DWORD dwSize        // 占 4 个字节， 记录整个列表的大小
    DWORD dwFourCC      // 四字节码，表示本 List 的具体类型；
    BYTE data[dwSize-4] // 实际的列表数据
} LIST;

Chunk 由三部分组成：4 字节码 + 4 字节 size + 数据

List 由四部分组成：4 字节码（固定 “LIST”） + size + 4 字节码（List 类型） + 数据

List 相当于目录，可以包含多个 Chunk 或者多个 List。而 Chunk 是数据保存的基本单元，可用于保存音视频数据或者一些参数信息。

3. AVI 文件结构

AVI 文件采用 RIFF 文件结构方式，使用四字符码 FOURCC（four-character code）来表征数据类型，比如 “RIFF”、“AVI”、“LIST” 等。

• 整个 RIFF 文件可以看成一个数据块，其数据块 ID 为 “RIFF”，称为 RIFF 块。一个 RIFF 文件中只允许存在一个 RIFF 块。
• RIFF 块中包含其他一系列子块，其中 ID 为 “LIST” 的称为 List 块，List 块中可以再包含一系列其他子块，但除了 List 块外的其他所有的子块都不能再包含子块。

一个 AVI 通常都包含以下几个字块：

- ID 为 "hdrl" 的 list 块，包含了音视频信息，描述媒体流信息
- ID 为 "info" 的 list 块，包含编码该 AVI 的程序信息
- ID 为 "junk" 的 chunk 块，无用数据，用于填充
- ID 为 "movi" 的 list 块，包含了交错排列的音视频数据
- ID 为 "idxl" 的 chunk 块，包含音视频排列的索引数据（可选块），无索引 seek 速度会变慢。

AVI 文件整体架构如下图所示：

我们直接使用文本编辑工具打开一个 AVI 文件，来分析其文件结构。

3.1 RIFF

四字节码 “RIFF” 后跟四个字节 RIFF 文件大小，默认采用小端存储，因此长度为 0x0AEFF752 = 183498578 字节。实际存储 AVI 文件的大小为 183498578 + 8 = 183498586 字节。

Note：有一些 AVI 文件尾部会存在一个 junk List 块，文件实际占用空间需要加上 junk 块的大小。

3.2 hdrl

1) hdrl 头部

HeaderList，AVI 文件中必需的一个 List，用于描述 AVI 文件中各个流的格式信息（每一路媒体数据都称为一个流）。hdrl list 中嵌套了一系列块和子列表，首先是一个 “avih” 块，用于记录 AVI 文件的全局信息，比如流的数量、视频图像的宽和高等。

如截图，四字节码 “LIST”，然后是 4 字节的 List Size，接着是 4 字节 list 类型 “hdrl”，接着是 List 数据内容。

hdrl List 大小为 0x00002272 = 8818 字节。

2) avih 块

Avi Header，该数据块是主信息头，这意外着该 header 数据块之后就是文件多媒体流信息。

如截图，四字节码 “avih”，四字节大小（0x38 即 56），接下来是 56 个字节数据。

该块可以用如下结构体表示，可以看到 avih 块的很多填充内容都是缺省掉的。

typedef struct {
    FourCC fcc;                  // "avih" 特征码
    DWORD cb;                    // 数据大小
    DWORD dwMicroSecPerFrame;    // 视频帧间隔时间（以毫秒为单位）
    DWORD dwMaxBytesPerSec;      // AVI 文件的最大数据率
    DWORD dwPaddingGranularity;  // 数据填充的粒度
    DWORD dwFlags;               // AVI 文件的全局标记，比如是否含有索引块等
    DWORD dwTotalFrames;         // 总帧数
    DWORD dwInitialFrames;       // 为交互格式指定初始帧数（非交互格式应该指定为 0）
    DWORD dwStreams;             // 本文件包含的流的个数
    DWORD dwSuggestedBufferSize; // 建议读取本文件的缓存大小（应能容纳最大的块）
    DWORD dwWidth;               // 视频图像的宽（以像素为单位）
    DWORD dwHeight;              // 视频图像的高（以像素为单位）
    DWORD dwReserved[4];         // 保留
} AVIMainHeader;

3) strl list

Stream List，用于记录流信息，文件中有几个流，就对应有多少个 strl list。

四字节码 “LIST” + 四字节 List 大小 + 四字节标识符 “strl” 。

该 strl size 为 0x0194 = 404 字节

一个 Stream List 一般会存在以下块：

- strh，stream header，用于描述流的头信息
- strf，stream format，用于描述流的具体信息
- strd，可选配置，保存编解码器需要的配置信息
- strn，可选配置，保存流的名字

3.1) strh 块

用于描述流的头信息

四字节码 “strh” + 四字节块大小（0x38 即 56），后面是 56 字节大小数据。

该块用如下结构体表示，该 AVI 第一个流是视频流（vids）。

// AVI流头部
typedef struct
{
    FourCC fcc;                 // "strh"
    DWORD cb;                   // 数据大小
    FourCC fccType;             // 流类型: auds(音频流) vids(视频流) mids(MIDI流) txts(文字流)
    FourCC fccHandler;          // 指定流的处理者，对于音视频来说就是解码器
    DWORD dwFlags;              // 标记：是否允许这个流输出？调色板是否变化？
    WORD wPriority;             // 流的优先级（当有多个相同类型的流时优先级最高的为默认流）
    WORD wLanguage;             // 语言
    DWORD dwInitialFrames;      // 为交互格式指定初始帧数
    DWORD dwScale;              // 每帧视频大小或者音频采样大小
    DWORD dwRate;               // dwScale/dwRate，每秒采样率
    DWORD dwStart;              // 流的开始时间
    DWORD dwLength;             // 流的长度（单位与 dwScale 和 dwRate 的定义有关）
    DWORD dwSuggestedBufferSize;// 读取这个流数据建议使用的缓存大小
    DWORD dwQuality;            // 流数据的质量指标（0 ~ 10,000）
    DWORD dwSampleSize;         // Sample的大小
    RECT rcFrame;               // 指定这个流（视频流或文字流）在视频主窗口中的显示位置
} AVIStreamHeader;    

3.1) strf 块

该块用于描述流的具体信息。如果是视频流（vids，由 strh 块得知），用一个 BitmapInfo 结构体表示，如果是音频流（auds），用 WaveFormatEx 结构体表示。

// 位图头
typedef struct
{
    DWORD  biSize;
    LONG   biWidth;
    LONG   biHeight;
    WORD   biPlanes;
    WORD   biBitCount;
    DWORD  biCompression;
    DWORD  biSizeImage;
    LONG   biXPelsPerMeter;
    LONG   biYPelsPerMeter;
    DWORD  biClrUsed;
    DWORD  biClrImportant;
} BitmapInfoHeader;

// 位图信息
typedef struct
{
    BitmapInfoHeader bmiHeader;   // 位图头
    RGBQUAD bmiColors[1];         // 调色板
} BitmapInfo;

// 音频波形信息
typedef struct
{
    WORD wFormatTag;
    WORD nChannels;               // 声道数
    DWORD nSamplesPerSec;         // 采样率
    DWORD nAvgBytesPerSec;        // 每秒的数据量
    WORD nBlockAlign;             // 数据块对齐标志
    WORD wBitsPerSample;          // 每次采样的数据量
    WORD cbSize;                  // 大小
} WaveFormatEx;

该块首先四字节码 “strf” 标识，4 字节数据大小（0x28 即 40个字节），接着的数据用一个 40 字节大小的 BitmapInfo 结构体表示。

4) movi list

Movie List 用于保存真正的媒体流数据，音视频数据块在该 list 中交错方式存放着。

当 AVI 文件中包含有多个流时，数据块与数据块之间如何来区别呢？

同样的，这些数据块使用了一个四字符码来表征它的类型，这个四字符码由 2 个字节的类型码和 2 个字节的流编号组成。

可用类型码有：

db：未压缩的视频帧
dc：压缩的视频帧
wb：音频数据
pc：改用新的调色板

比如第一个流（Stream 0）是音频，则表征音频数据块的四字符码为 “00wb” ，第二个流（Stream 1）是视频，则表征视频数据块的四字符码为 “01db” 或 “01dc”。

4) idx1 块

最后，紧跟在 hdrl list 和 movi list 之后的，就是 AVI 文件的索引块（可选），这个索引块为 AVI 文件中每一个媒体数据块进行索引，并且记录它们在文件中的偏移（可能相对于 movi list，也可能相对于 AVI 文件开头）。索引块使用一个四字符码 “idx1” 来表征，索引信息使用一个数据结构来 AVIOLDINDEX 定义。

typedef struct _avioldindex {
   FOURCC  fcc;         // "idx1"
   DWORD   cb;          // 数据大小
   struct _avioldindex_entry {
      DWORD   dwChunkId; // 数据块 id
      DWORD   dwFlags;
      DWORD   dwOffset; // 数据块偏移
      DWORD   dwSize;   // 数据块大小
  } aIndex[];
} AVIOLDINDEX;

在 AVIMainHeader 的 dwFlags 中指出是否包含索引块。有了索引块可以方便文件快进，如果没有索引块，在对 AVI 进行快进时需要计算位置，会很耗时。