FLV封装格式
FLV(Flash Video)是Adobe公司推出的一种流媒体格式,由于其封装后的音视频文件体积小、封装简单等特点,非常适合于互联网上使用。目前主流的视频网站基本都支持FLV。采用FLV格式封装的文件后缀为.flv。
FLV封装格式是由一个文件头(flie header)和 文件体(file Body)组成。其中,FLV body由一对对的(Previous Tag Size字段 + tag)组成。Previous Tag Size字段 排列在Tag之前,占用4个字节。Previous Tag Size记录了前面一个Tag的大小,用于逆向读取处理。FLV header后的第一个Pervious Tag Size的值为0。Tag一般可以分为3种类型:脚本(帧)数据类型、音频数据类型、视频数据。FLV数据以大端序进行存储,在解析时需要注意。一个标准FLV文件结构如下图:
FLV文件的详细内容结构如下图:
FLV header
注:在下面的数据type中,UI表示无符号整形,后面跟的数字表示其长度是多少位。比如UI8,表示无法整形,长度一个字节。UI24是三个字节,UI[8*n]表示多个字节。UB表示位域,UB5表示一个字节的5位。可以参考c中的位域结构体。
FLV头占9个字节,用来标识文件为FLV类型,以及后续存储的音视频流。一个FLV文件,每种类型的tag都属于一个流,也就是一个flv文件最多只有一个音频流,一个视频流,不存在多个独立的音视频流在一个文件的情况。FLV头的结构如下:
Field | Type | Comment |
---|---|---|
签名 | UI8 | ‘F’(0x46) |
签名 | UI8 | ‘L’(0x4C) |
签名 | UI8 | ‘V’(0x56) |
版本 | UI8 | FLV的版本。0x01表示FLV版本为1 |
保留字段 | UB5 | 前五位都为0 |
音频流标识 | UB1 | 是否存在音频流 |
保留字段 | UB1 | 为0 |
视频流标识 | UB1 | 是否存在视频流 |
文件头大小 | UI32 | FLV版本1时填写9,表明的是FLV头的大小,为后期的FLV版本扩展使用。包括这四个字节。数据的起始位置就是从文件开头偏移这么多的大小。 |
FLV Body
FLV Header之后,就是FLV File Body.FLV File Body是由一连串的back-pointers + tags构成。Back-pointer表示Previous Tag Size(前一个tag的字节数据长度),占4个字节。
FLV Tag
每一个Tag也是由两部分组成:tag header 和 tag data。Tag Header里存放的是当前tag的类型、数据区(tag data)的长度等信息。tag header一般占11个字节的内存空间。FLV tag结构如下:
Field | Type | Comment |
---|---|---|
Tag类型 | UI8 | 8:audeo 9:video 18:Script data(脚本数据) all Others:reserved 其他所有值未使用 |
数据区大小 | UI24 | 当前tag的数据区的大小,不包含包头 |
时戳 | UI24 | 当前帧时戳,单位是毫秒。相对值,第一个tag的时戳总是为0 |
时戳扩展字段 | UI8 | 如果时戳大于0xFFFFFF,将会使用这个字节。这个字节是时戳的高8位,上面的三个字节是低24位。 |
StreamID | UI24 | 总是为0 |
数据区 | UI[8*n] | 数据区数据 |
FLV Tag的类型可以是视频、音频和Script(脚本类型),下面分别介绍这三种Tag类型
该类型Tag又被称为MetaData Tag,存放一些关于FLV视频和音频的元信息,比如:duration、width、height等。通常该类型Tag会作为FLV文件的第一个tag,并且只有一个,跟在File Header后。该类型Tag DaTa的结构如下所示:
Script Tag Data结构(脚本类型、帧类型)
该类型Tag又被称为MetaData Tag,存放一些关于FLV视频和音频的元信息,比如:duration、width、height等。通常该类型Tag会作为FLV文件的第一个tag,并且只有一个,跟在File Header后。该类型Tag DaTa的结构如下所示:
第一个AMF包: 第1个字节表示AMF包类型,一般总是0x02,表示字符串。第2-3个字节为UI16类型值,标识字符串的长度,一般总是0x000A(“onMetaData”长度)。后面字节为具体的字符串,一般总为“onMetaData”(6F,6E,4D,65,74,61,44,61,74,61)。
第二个AMF包: 第1个字节表示AMF包类型,一般总是0x08,表示数组。第2-5个字节为UI32类型值,表示数组元素的个数。后面即为各数组元素的封装,数组元素为元素名称和值组成的对。常见的数组元素如下表所示。
值 | Comment |
---|---|
duration | 时长 |
width | 视频宽度 |
heiht | 视频高度 |
video data rate | 视频码率 |
frame rate | 视频帧率 |
video codec id | 视频编码方式 |
audio sample rate | 音频采样率 |
audio sample size | 音频采样精度 |
stereo | 是否为立体声 |
audio codec id | 音频编码方式 |
filesize | 文件大小 |
… | … |
Audio Tag Data结构(音频类型)
音频Tag Data区域开始的第一个字节包含了音频数据的参数信息,从第二个字节开始为音频流数据。结构如下:
第一个字节为音频的信息,格式如下:
Field | Type | Comment |
---|---|---|
音频格式 | UB4 | 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 flv是不支持g711a的,如果要用,可能要用线性音频。 |
采样率 | UB2 | 0 = 5.5-kHz 1 = 11-kHz 2 = 22-kHz 3 = 44-kHz 对于AAC总是3。由此可以看出FLV封装格式并不支持48KHz的采样率 |
采样精度 | UB1 | 0 = snd8Bit 1 = snd16Bit 压缩过的音频都是16bit |
音频声道 | UB1 | 0 = sndMono 单声道 1 = sndStereo 立体声,双声道 对于AAC总是1 |
第二个字节开始为音频数据。
Field | Type | Comment |
---|---|---|
音频数据 | UI[8*n] | 如果是PCM线性数据,存储的时候每个16bit小端存储,有符号。 如果音频格式是AAC,则存储的数据是AAC AUDIO DATA,否则为线性数组。 |
video Tag Data结构(视频类型)
视频Tag Data开始的第一个字节包含视频数据的参数信息,从第二个字节开始为视频流数据。结构如下:
第一个字节包含视频信息,格式如下:
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 |
第二个字节开始为视频数据
Field | Type | Comment |
---|---|---|
视频数据 | UI[8*n] | 如果是avc,则参考下面的介绍:AVC VIDEO PACKET |
AVC VIDEO PACKET
关于下面这块内容有兴趣的话可以结合h264结构来看,不感兴趣的话可以直接跳过。
AVC VIDEO PACKET的结构:
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 | UI24 | 如果AVC packet类型是1,则为cts偏移(见下面的解释)。 如果AVC packet类型是0,则为0 |
数据 | UI[8*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。 |
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一直相同,所以cts一直为0。
AVC VIDEO PACKET中Data的结构:
AVC VIDEO PACKET中Data的结构:
Field | Type | Comment |
---|---|---|
长度 | UI32 | nalu单元的长度,不包括长度字段。 |
nalu数据 | UI[8*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 | UI[8*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 ** ** |
… | … | … |
解析FLV
在理解了FLV结构的基础上,就可以尝试去解析一个FLV文件了。在阅读代码的过程中,遇到不懂的地方可以返回去看FLV结构,加深理解。
>>> 音视频开发 视频教程: https://ke.qq.com/course/3202131?flowToken=1031864
>>> 音视频开发学习资料、教学视频,免费分享有需要的可以自行添加学习交流群: 739729163 领取