FLV文件格式官方规范详解

——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: audio9: video18: 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 endian1 = ADPCM2 = MP33 = Linear PCM, little endian4 = Nellymoser 16-kHz mono5 = Nellymoser 8-kHz mono6 = Nellymoser7 = G.711 A-law logarithmic PCM8 = G.711 mu-law logarithmic PCM 9 = reserved10 = AAC11 = Speex14 = MP3 8-Khz15 = Device-specific sound7, 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 30 = 5.5-kHz1 = 11-kHz2 = 22-kHz3 = 44-kHz

采样大小

UB1

0 = snd8Bit1 = 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.2633: Screen video4: On2 VP65: On2 VP6 with alpha channel 6: Screen video version 27: 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 **  ** **

...

...

...

Data tags


主要是onMeta信息需要关注。

AVCDecoderConfigurationRecord


AVCVIDEOPACKET的数据格式,保存控制信息。

记录sps,pps信息。一般出现在第二个tag中,紧跟在onMeta之后。

一个典型的序列:

0000190: 0900 0033 0000 0000 0000 0017 0000 0000  ...3............

00001a0:0164 002a ffe1 001e 6764 002a acd9 4078  .d.*....gd.*..@x

00001b0:0227 e5ff c389 4388 0400 0003 0028 0000  .'....C......(..

00001c0:0978 3c60 c658 0100 0568 ebec b22c 0000  .x<`.X...h...,..

17:表示h264IDR data

00:表示是AVC序列头

00 00 00 :cts为0

//从此往下就是AVCDecoderConfigurationRecord

01 :版本号

64 00 2a:profile level id,sps的三个字节,64表示是h264 high profile,2a表示level。

FF:NALU长度,为3?不知道这个长度用在哪里。

E1:表示下面紧跟SPS有一个。

//sps[N]:sps数组。

00 1e:    前面是两个字节的sps长度,表示后面的sps的长度是1e大小。

6764 002a acd9 4078 0227 e5ff c389 4388 0400 0003 0028 0000 0978 3c60 c658:sps的数据。

//因为只有一个sps,跳过这些长度,然后就是pps的个数信息:

01 :pps个数,1

//pps[n] pps 的个数

00 05:表示pps的大小是5个字节。

68 eb ec b2 2c:pps的数据

00 00 …….这是下一个tag 的内容了

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏web前端教室

今天-零基础课的教学事故及全过程

有什么说什么,有错了就要认。 “今天我有个地方讲错了”,“然后我还说提出问题的同学有点过于纠结”。出问题要说清楚,来,事情是这样的。。。 ? 截图一中,点击事件...

1596
来自专栏JAVA高级架构

程序员必须掌握的600个英语单词

692
来自专栏Java编程技术

UML建模图实战笔记(全)

UML:Unified Modeling Language(统一建模语言),使用UML进行建模的作用有哪些那:

753
来自专栏Python中文社区

基于Redis的Bloomfilter去重

专栏作者简介 九茶 Python工程师,目前居于广州。Github知名开源爬虫QQSpider和SinaSpider作者,经常会在CSDN上分享一些爬虫、数据等...

4058
来自专栏一个会写诗的程序员的博客

光剑评注:其实,说了这么多废话,无非就是: 一切皆是映射。不管是嵌套 XML,还是 Lisp 嵌套括号,还是 XXX 的 Map 数据结构,一切都是树形结构——映射。Lisp的本质(The Natur

http://www.defmacro.org/ramblings/lisp.html

562
来自专栏杨建荣的学习笔记

如果理解Python web开发技术

首先来问一个问题,如何来看待Python web开发技术?如果不知道如何回答,我们换个问题:如何理解Python web的本质,这个我先用了三个程序来说明。 首...

3274
来自专栏数说工作室

提取文本数据,分析师小王初上手!| 【SAS Says·扩展篇】正则表达式

文本分析很有用,数说君自己也玩过,炒鸡有意思,从论坛、网页上爬取网友的舆情数据,然后整理、统计、画图,就可以知道舆论的风暴是什么,可以知道网友最热议的话题、最想...

3226
来自专栏Crossin的编程教室

编写让别人能读懂的代码

作者:richieyang 随着软件行业的不断发展,历史遗留的程序越来越多,代码的维护成本越来越大,甚至大于开发成本。而新功能的开发又常常依赖于旧代码,阅读旧代...

2998
来自专栏测试开发架构之路

C语言程序设计50例(二)(经典收藏)

【程序11】 题目:古典问题:有一对兔子,从出生后第3个月起每个月都生一对兔子,小兔子长到第三个月    后每个月又生一对兔子,假如兔子都不死,问每个月的兔子总...

33810
来自专栏斑斓

面向流的设计思想

作者 | 张逸 特别说明:本文包含大量代码片段,若要获得更好阅读观感,请点击文末“阅读原文”或访问我的博客。 响应式编程(Reactive Programmin...

3263

扫描关注云+社区