概述

mp4 文件由一个个连续的 box 组成

mp4 = box + box + box + ...

box 的类型繁多，没必要去死记它们的类型，记住两个关键 box 即可：

本文的目的是通过解析各种 box 从而了解 mp4 文件结构的核心概念

chunk

一个 mp4 文件可以包含多个 track（视频、音频和字幕），而每个 track 则由多个 chunk 组成

mp4 = video track + audio track + subtitle track + ...
track = chunk + chunk + chunk + ...

Stco Box 描述了一个 track 有多少个 chunk 以及每个 chunk 在 mp4 文件里的偏移量，这样就具有了快速定位（seek）chunk 的能力

比如下图说明 track 有 486 个 chunk，每个 chunk 在文件里的偏移量都记录在后面的表里

stco box

sample（采样）相当于一帧，解码的过程就是计算出一帧帧的图像，每个 chunk 包含多个 sample

chunk = sample + sample + sample + ...

具体哪个 chunk 包含哪几个 sample 由 Stsc Box 描述： stsc = entry count + (first chunk + samples per chunk + sample description index)，如下图，它是这么描述的：

那么可以计算出这个 track 共有 486 个 chunk（和上面 Stco Box 的描述一致）和 15 + 485 * 14 + 5 = 4796 个 sample

stsc box

至此我们可以通过 sample id -> chunk id -> chunk offset 这个链条定位某个 sample 所在的 chunk 及其偏移，但 sample 偏移还是没法得知，而 Stsz Box 正是记录了每个 sample 的大小，如下图：

那么 sample 在文件里的偏移就可以通过 chunk offset 前进 n 个排在前面的 sample 的长度得出：sample offset = chunk offset + samples before in the chunk

stsz box

概念	描述
I frame	帧内编码帧，解码不依赖于任何的其它的帧，通常是每个 GOP 的第一个帧，做为随机访问的参考点
P frame	前向预测编码帧，解码则依赖于其前面的 I/P frame
B frame	双向预测内插编码帧，解码依赖于其前的最近的一个 I/P frame 及其后的最近的一个 P frame
GOP	两个 I frame 之间形成一个 GOP，如果有 B frame 则最后一个一定是 P frame
PTS	用于度量解码后的视频帧什么时候被显示出来
DTS	标识视频流在什么时候开始送入解码器中进行解码

在没有 B frame 的情况下 DTS 和 PTS 的输出顺序是一样的，有 B frame 的话就不一样了，如下图：

dts-pts

Stts Box 是 sample id 和解码时间 DTS 之间的映射表，通过这个表格我们可以找到任何时间的 sample，如下图：

sample delta 值一样说明是固定帧率，帧率为 30000 / 1001 = 29.97
可以计算出该 video track 的时长为 6796 * 1001 = 6802796（6796 跟上面我们计算的 sample 数量一致），换算成秒就是 6802796 / 30000 = 226.75s（30000 是 mvhd box 里定义的时间单位）

stts box