MP4視頻文件封裝格式是基于QuickTime容器格式定義的，因此參考QuickTime的格式定義對理解MP4文件格式很有幫助。MP4文件格式是一個(gè)十分開放的容器，幾乎可以用來描述所有的媒體結(jié)構(gòu)，MP4文件中的媒體描述與媒體數(shù)據(jù)是分開的，并且媒體數(shù)據(jù)的組織也很自由，不一定要按照時(shí)間順序排列，甚至媒體數(shù)據(jù)可以直接引用其他文件。同時(shí)，MP4也支持流媒體。MP4目前被廣泛用于封裝h.264視頻和AAC音頻，是高清視頻的代表。

    現(xiàn)在我們就來看看MP4文件格式到底是什么樣的。

1、概述

    MP4文件中的所有數(shù)據(jù)都裝在box（QuickTime中為atom）中，也就是說MP4文件由若干個(gè)box組成，每個(gè)box有類型和長度，可以將box理解為一個(gè)數(shù)據(jù)對象塊。box中可以包含另一個(gè)box，這種box稱為container box。一個(gè)MP4文件首先會(huì)有且只有一個(gè)“ftyp”類型的box，作為MP4格式的標(biāo)志并包含關(guān)于文件的一些信息；之后會(huì)有且只有一個(gè)“moov”類型的box（Movie Box），它是一種container box，子box包含了媒體的metadata信息；MP4文件的媒體數(shù)據(jù)包含在“mdat”類型的box（Midia Data Box）中，該類型的box也是container box，可以有多個(gè)，也可以沒有（當(dāng)媒體數(shù)據(jù)全部引用其他文件時(shí)），媒體數(shù)據(jù)的結(jié)構(gòu)由metadata進(jìn)行描述。

    下面是一些概念：

    track  表示一些sample的集合，對于媒體數(shù)據(jù)來說，track表示一個(gè)視頻或音頻序列。

    hint track  這個(gè)特殊的track并不包含媒體數(shù)據(jù)，而是包含了一些將其他數(shù)據(jù)track打包成流媒體的指示信息。

    sample  對于非hint track來說，video sample即為一幀視頻，或一組連續(xù)視頻幀，audio sample即為一段連續(xù)的壓縮音頻，它們統(tǒng)稱sample。對于hint track，sample定義一個(gè)或多個(gè)流媒體包的格式。

    sample table  指明sampe時(shí)序和物理布局的表。

    chunk 一個(gè)track的幾個(gè)sample組成的單元。

    在本文中，我們不討論涉及hint的內(nèi)容，只關(guān)注包含媒體數(shù)據(jù)的本地MP4文件。下圖為一個(gè)典型的MP4文件的結(jié)構(gòu)樹。

2、Box

       首先需要說明的是，box中的字節(jié)序?yàn)榫W(wǎng)絡(luò)字節(jié)序，也就是大端字節(jié)序（Big-Endian），簡單的說，就是一個(gè)32位的4字節(jié)整數(shù)存儲(chǔ)方式為高位字節(jié)在內(nèi)存的低端。Box由 header和body組成，其中header統(tǒng)一指明box的大小和類型，body根據(jù)類型有不同的意義和格式。

       標(biāo)準(zhǔn)的box開頭的4個(gè)字節(jié)（32位）為box size，該大小包括box header和box body整個(gè)box的大小，這樣我們就可以在文件中定位各個(gè)box。如果size為1，則表示這個(gè)box的大小為large size，真正的size值要在largesize域上得到。（實(shí)際上只有“mdat”類型的box才有可能用到large size。）如果size為0，表示該box為文件的最后一個(gè)box，文件結(jié)尾即為該box結(jié)尾。（同樣只存在于“mdat”類型的box中。）

       size后面緊跟的32位為box type，一般是4個(gè)字符，如“ftyp”、“moov”等，這些box type都是已經(jīng)預(yù)定義好的，分別表示固定的意義。如果是“uuid”，表示該box為用戶擴(kuò)展類型。如果box type是未定義的，應(yīng)該將其忽略。

3、File Type Box（ftyp）

    該box有且只有1個(gè)，并且只能被包含在文件層，而不能被其他box包含。該box應(yīng)該被放在文件的最開始，指示該MP4文件應(yīng)用的相關(guān)信息。

    “ftyp” body依次包括1個(gè)32位的major brand（4個(gè)字符），1個(gè)32位的minor version（整數(shù)）和1個(gè)以32位（4個(gè)字符）為單位元素的數(shù)組compatible brands。這些都是用來指示文件應(yīng)用級(jí)別的信息。該box的字節(jié)實(shí)例如下：

4、Movie Box（moov）

    該box包含了文件媒體的metadata信息，“moov”是一個(gè)container box，具體內(nèi)容信息由子box詮釋。同F(xiàn)ile Type Box一樣，該box有且只有一個(gè)，且只被包含在文件層。一般情況下，“moov”會(huì)緊隨“ftyp”出現(xiàn)。

    一般情況下（限于篇幅，本文只講解常見的MP4文件結(jié)構(gòu)），“moov”中會(huì)包含1個(gè)“mvhd”和若干個(gè)“trak”。其中“mvhd”為header box，一般作為“moov”的第一個(gè)子box出現(xiàn)（對于其他container box來說，header box都應(yīng)作為首個(gè)子box出現(xiàn)）。“trak”包含了一個(gè)track的相關(guān)信息，是一個(gè)container box。下圖為部分“moov”的字節(jié)實(shí)例，其中紅色部分為box header，綠色為“mvhd”，黃色為一部分“trak”。

4.1 Movie Header Box（mvhd）

    “mvhd”結(jié)構(gòu)如下表。

    “mvhd”的字節(jié)實(shí)例如下圖，各字段已經(jīng)用顏色區(qū)分開：

4.2 Track Box（trak）

    “trak”也是一個(gè)container box，其子box包含了該track的媒體數(shù)據(jù)引用和描述（hint track除外）。一個(gè)MP4文件中的媒體可以包含多個(gè)track，且至少有一個(gè)track，這些track之間彼此獨(dú)立，有自己的時(shí)間和空間信息。“trak”必須包含一個(gè)“tkhd”和一個(gè)“mdia”，此外還有很多可選的box（略）。其中“tkhd”為track header box，“mdia”為media box，該box是一個(gè)包含一些track媒體數(shù)據(jù)信息box的container box。

    “trak”的部分字節(jié)實(shí)例如下圖，其中黃色為“trak”box的頭，綠色為“tkhd”，藍(lán)色為“edts”（一個(gè)可選box），紅色為一部分“mdia”。