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文件格式是一個十分開放的容器，幾乎可以用來描述所有的媒體結構，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，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box組成，每個box有類型和長度，可以將box理解為一個數(shù)據(jù)對象塊。box中可以包含另一個box，這種box稱為container box。一個MP4文件首先會有且只有一個“ftyp”類型的box，作為MP4格式的標志并包含關于文件的一些信息；之后會有且只有一個“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，也可以沒有（當媒體數(shù)據(jù)全部引用其他文件時），媒體數(shù)據(jù)的結構由metadata進行描述。

    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表示一個視頻或音頻序列。

    hint track  這個特殊的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定義一個或多個流媒體包的格式。

    sample table  指明sampe時序和物理布局的表。

    chunk 一個track的幾個sample組成的單元。

    在本文中，我們不討論涉及hint的內容，只關注包含媒體數(shù)據(jù)的本地MP4文件。下圖為一個典型的MP4文件的結構樹。

2、Box

       首先需要說明的是，box中的字節(jié)序為網(wǎng)絡字節(jié)序，也就是大端字 節(jié)序（Big-Endian），簡單的說，就是一個32位的4字節(jié)整數(shù)存儲方式為高位字節(jié)在內存的低端。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。

       標準的box開頭的4個字節(jié)（32位）為box size，該大小包括box header和box body整個box的大小，這樣我們就可以在文件中定位各個box。如果size為1，則表示這個box的大小為large size，真正的size值要在largesize域上得到。（實際上只有“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box，文件結尾即為該box結尾。（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個字符，如“ftyp”、“moov”等，這些box type都是已經預定義好的，分別表示固定的意義。如果是“uuid”，表示該box為用戶擴展類型。如果box type是未定義的，應該將其忽略。

3、File Type Box（ftyp）

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

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

4、Movie Box（moov）

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

    一般情況下（限于篇幅，本文只講解常見的MP4文件結構），“moov”中會包含1個“mvhd”和若干個“trak”。其中“mvhd”為header box，一般作為“moov”的第一個子box出現(xiàn)（對于其他container box來說，header box都應作為首個子box出現(xiàn)）。“trak”包含了一個track的相關信息，是一個container box。下圖為部分“moov”的字節(jié)實例，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”結構如下表。

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

4.2 Track Box（trak）

    “trak”也是一個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MP4文件中的媒體可以包含多個track，且至少有一個track，這些track之間彼此獨立，有自己的時間和空間信息?！皌rak”必須包含一個“tkhd”和一個“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)實例如下圖，其中黃色為“trak”box的頭，綠色為“tkhd”，藍色為“edts”（一個可選box），紅色為一部分“mdia”。