FLV文件格式官方规范详解

gljin_cn 2016-06-24

展开全文

——如果要学习一个新的知识点，官方手册可能是最快的途径。查看网上其他人的总结也许入门更快，但是要准确，深入，完整，还是要看官方手册。

以下内容来自对官方文档Video File Format Specification Version 10的分析总结。过程中借助ffmpeg实际转换了一个flv文件用例研究。

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。（mp4好像是可以的）

另外，FLV文件格式所用的是大端序。

注：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。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

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 版本是1
保留字段	UB5	前五位必须是0
是否有音频流	UB1	音频流是否存在标志
保留字段	UB1	必须是0
是否有视频流	UB1	视频流是否存在标志
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文件体

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：

注意：头下面四个自己就是PreviousTagSize，因为前一个没有Tag，所以，值填写0。

FLV tags 结构

Field	type	Comment
TAG类型	UI8	8: audio 9: video 18: script data——这里是一些描述信息。 all others: reserved其他所有值未使用。
数据大小	UI24	数据区的大小，不包括包头。包头总大小是11个字节。
时戳	UI24	当前帧时戳，单位是毫秒。相对于FLV文件的第一个TAG时戳。第一个tag的时戳总是0。——不是时戳增量，rtmp中是时戳增量。
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。
流ID	U24	总是0
数据区	UI8[n]

音频数据

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 7, 8, 14, and 15：内部保留使用。 flv是不支持g711a的，如果要用，可能要用线性音频。
采样率	UB2	For AAC: always 3 0 = 5.5-kHz 1 = 11-kHz 2 = 22-kHz 3 = 44-kHz
采样大小	UB1	0 = snd8Bit 1 = snd16Bit
声道	UB1	0=单声道 1=立体声,双声道。AAC永远是1
声音数据	UI8[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。

AAC AUDIO DATA

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
...	...	...