FLV文件格式解析

 flv文件主要由两部分组成：header和body。

1.header

header部分记录了flv的类型、版本等信息，是flv的开头，一般都差不多，占9bytes。具体格式如下：

文件类型	3 bytes	“FLV”
版本	1 byte	一般为0x01
流信息	1 byte	倒数第一位是1表示有视频，倒数第三位是1表示有音频，倒数第二、四位必须为0
header长度	4 bytes	整个header的长度，一般为9；大于9表示下面还有扩展信息

2.body

body部分由一个个Tag组成，每个Tag的下面有一块4bytes的空间，用来记录这个tag的长度，这个后置用于逆向读取处理，他们的关系如下图：

2.1.Tag

每个Tag由也是由两部分组成的：Tag Header和Tag Data。Tag Header里存放的是当前Tag的类型、数据区（Tag Data）长度等信息，具体如下：

名称	长度	介绍
Tag类型	1 bytes	8：音频 9：视频 18：脚本 其他：保留
数据区长度	3 bytes	在数据区的长度
时间戳	3 bytes	整数，单位是毫秒。对于脚本型的tag总是0
时间戳扩展	1 bytes	将时间戳扩展为4bytes，代表高8位。很少用到
StreamsID	3 bytes	总是0
数据区(data)	由数据区长度决定	数据实体

2.2.Tag Data

数据区根据Tag类型的不同可分为三种，音频数据、视频数据和脚本数据。

2.2.1.音频数据

第一个byte是音频的信息，格式如下。

名称	长度	介绍
音频格式	4 bits	0 = Linear PCM, platform endian 1 = ADPCM 2 = MP3 3 = Linear PCM, little endian 4 = Nellymoser 16-kHz mono 5 = Nellymoser 8-kHz mono 6 = Nellymoser 7 = G.711 A-law logarithmic PCM 8 = G.711 mu-law logarithmic PCM 9 = reserved 10 = AAC 11 = Speex 14 = MP3 8-Khz 15 = Device-specific sound
采样率	2 bits	0 = 5.5-kHz 1 = 11-kHz 2 = 22-kHz 3 = 44-kHz 对于AAC总是3
采样的长度	1 bit	0 = snd8Bit 1 = snd16Bit 压缩过的音频都是16bit
音频类型	1 bit	0 = sndMono 1 = sndStereo 对于AAC总是1

第2byte开始就是音频流数据了。

2.2.2.视频数据

---

Field	type	Comment
帧类型	UB4	1: keyframe (for AVC, a seekable frame)——h264的IDR，关键帧，可重入帧。 2: inter frame (for AVC, a non- seekable frame)——h264的普通帧 3: disposable inter frame (H.263 only) 4: generated keyframe (reserved for server use only) 5: video info/command frame
编码ID	UB4	使用哪种编码类型： 1: JPEG (currently unused) 2: Sorenson H.263 3: Screen video 4: On2 VP6 5: On2 VP6 with alpha channel 6: Screen video version 2 7: AVC
视频数据	UI[N]	如果是avc，则参考下面的介绍： AVCVIDEOPACKET

AVCVIDEOPACKET

---

Field	type	Comment
AVC packet类型	UI8	0：AVC序列头 1：AVC NALU单元 2：AVC序列结束。低级别avc不需要。
CTS	SI24	如果AVC packet类型是1，则为cts偏移(见下面的解释)，为0则为0
数据	UI8[n]	如果AVC packet类型是0，则是解码器配置，sps，pps。 如果是1，则是nalu单元，可以是多个，具体格式：将下面

关于CTS：这是一个比较难以理解的概念，需要和pts，dts配合一起理解。

首先，pts（presentation time stamps），dts(decoder timestamps)，cts(CompositionTime)的概念：

pts：显示时间，也就是接收方在显示器显示这帧的时间。单位为1/90000 秒。

dts：解码时间，也就是rtp包中传输的时间戳，表明解码的顺序。单位单位为1/90000 秒。——根据后面的理解，pts就是标准中的CompositionTime

cts偏移：cts = (pts - dts) / 90 。cts的单位是毫秒。

pts和dts的时间不一样，应该只出现在含有B帧的情况下，也就是profile main以上。baseline是没有这个问题的，baseline的pts和dts一直想吐，所以cts一直为0。

在flv tag中的时戳就是DTS。

研究 一下文档，  ISO/IEC 14496-12:2005(E)      8.15   Time to Sample Boxes，发现CompositionTime就是presentation time stamps，只是叫法不同。——需要再进一步确认。

在上图中，cp就是pts，显示时间。DT是解码时间，rtp的时戳。

I1是第一个帧，B2是第二个，后面的序号就是摄像头输出的顺序。决定了显示的顺序。

DT，是编码的顺序，特别是在有B帧的情况，P4要在第二个解，因为B2和B3依赖于P4，但是P4的显示要在B3之后，因为他的顺序靠后。这样就存在显示时间CT(PTS)和解码时间DT的差，就有了CT偏移。

P4解码时间是10，但是显示时间是40，

AVCVIDEOPACKET中data格式：

Field	type	Comment
长度	UI32	nalu单元的长度，不包括长度字段。
nalu数据	UI8[N]	NALU数据，没有四个字节的nalu单元头，直接从h264头开始，比如：65 ** ** **，41 **  ** **
长度	UI32	nalu单元的长度，不包括长度字段。
nalu数据	UI8[N]	NALU数据，没有四个字节的nalu单元头，直接从h264头开始，比如：65 ** ** **，41 **  ** **
...	...	...

Data tags

---

主要是onMeta信息需要关注。

AVCDecoderConfigurationRecord

---

AVCVIDEOPACKET的数据格式，保存控制信息。

记录sps，pps信息。一般出现在第二个tag中，紧跟在onMeta之后。

一个典型的序列：

0000190: 0900 0033 0000 0000 0000 0017 0000 0000  ...3............
00001a0:0164 002a ffe1 001e 6764 002a acd9 4078  .d.*....gd.*..@x
00001b0:0227 e5ff c389 4388 0400 0003 0028 0000  .'....C......(..
00001c0:0978 3c60 c658 0100 0568 ebec b22c 0000  .x<`.X...h...,..
17:表示h264IDR data
00：表示是AVC序列头
00 00 00 ：cts为0
//从此往下就是AVCDecoderConfigurationRecord
01 ：版本号
64 00 2a：profile level id，sps的三个字节，64表示是h264 high profile，2a表示level。
FF：NALU长度，为3？不知道这个长度用在哪里。
E1：表示下面紧跟SPS有一个。
//sps[N]：sps数组。
00 1e:    前面是两个字节的sps长度，表示后面的sps的长度是1e大小。
6764 002a acd9 4078 0227 e5ff c389 4388 0400 0003 0028 0000 0978 3c60 c658：sps的数据。
//因为只有一个sps，跳过这些长度，然后就是pps的个数信息：
01 ：pps个数，1
//pps[n] pps 的个数
00 05：表示pps的大小是5个字节。
68 eb ec b2 2c：pps的数据
00 00 …….这是下一个tag 的内容了

2.2.3脚本数据

脚本Tag一般只有一个，是flv的第一个Tag，用于存放flv的信息，比如duration、audiodatarate、creator、width等。

首先介绍下脚本的数据类型。所有数据都是以数据类型+（数据长度）+数据的格式出现的，数据类型占1byte，数据长度看数据类型是否存在，后面才是数据。
其中数据类型的种类有：

• 0 = Number type
• 1 = Boolean type
• 2 = String type
• 3 = Object type
• 4 = MovieClip type
• 5 = Null type
• 6 = Undefined type
• 7 = Reference type
• 8 = ECMA array type
• 10 = Strict array type
• 11 = Date type
• 12 = Long string type

如果类型为String，后面的2bytes为字符串的长度（Long String是4bytes），再后面才是字符串数据；如果是Number类型，后面的8bytes为Double类型的数据；Boolean类型，后面1byte为Bool类型。

知道了这些后再来看看flv中的脚本，一般开头是0x02，表示String类型，后面的2bytes为字符串长度，一般是0x000a（“onMetaData”的长度），再后面就是字符串“onMetaData”。好像flv格式的文件都有onMetaData标记，在运行ActionScript的时候会用到它。后面跟的是0x08，表示ECMA Array类型，这个和Map比较相似，一个键跟着一个值。键都是String类型的，所以开头的0x02被省略了，直接跟着的是字符串的长度，然后是字符串，再是值的类型，也就是上面介绍的那些了。

参考链接

https://wuyuans.com/2012/08/flv-format/
http://blog.csdn.net/chgaowei/article/details/51243345