【音视频】MP4 文件结构详细解析

文章目录

- [一、Box 基础结构（核心单元）](#一、Box 基础结构（核心单元）)
- - [1. 普通 Box 头](#1. 普通 Box 头)
  - [2. Full Box（Box 的扩展）](#2. Full Box（Box 的扩展）)
- [二、根级核心 Box（必选/关键）](#二、根级核心 Box（必选/关键）)
- - [1. ftyp（File Type Box，必选）](#1. ftyp（File Type Box，必选）)
  - [2. moov（Movie Box，必选，容器 Box）](#2. moov（Movie Box，必选，容器 Box）)
  - [3. mdat（Media Data Box，可选，可多个）](#3. mdat（Media Data Box，可选，可多个）)
  - [4. 其他常见根 Box](#4. 其他常见根 Box)
- 三、关键设计细节与机制
- - [1. 容器 Box vs 叶子 Box](#1. 容器 Box vs 叶子 Box)
  - [2. 时间尺度与时间戳映射](#2. 时间尺度与时间戳映射)
  - [3. 快速启动（Fast Start）](#3. 快速启动（Fast Start）)
  - [4. 64 位扩展](#4. 64 位扩展)
- 四、典型文件结构示例
- 五、常见问题与解析要点
- 六、实用工具与命令

MP4（ISO/IEC 14496‑14）基于 ISO 基础媒体文件格式（ISOBMFF，ISO/IEC 14496‑12），整体由Box（或 Atom） 嵌套构成，所有数据均封装在 Box 内，无游离数据。

一、Box 基础结构（核心单元）

每个 Box 遵循统一头格式，字节序为 大端（Big‑Endian），分为普通 Box 与 Full Box（带版本/标志扩展）。

1. 普通 Box 头

字段	字节数	说明
size	4	整个 Box 总字节数（含头）；size=1 时用 8 字节 `largesize`；size=0 表示文件末尾
type	4	4 字符标识（如 `ftyp`、`moov`）
[largesize]	8	可选，size=1 时启用，64 位总长度
body	可变	数据区，可嵌套子 Box（容器 Box）或存储原始数据（叶子 Box）

2. Full Box（Box 的扩展）

在普通 Box 头后增加：

version（1 字节）：格式版本
flags（3 字节）：功能标志位
常见于 mvhd、tkhd 等核心元数据 Box。

二、根级核心 Box（必选/关键）

根层级 Box 按功能分为三类，必须以 ftyp 开头 ，其余顺序可灵活调整（但 moov 前置可实现"快速启动"）。

1. ftyp（File Type Box，必选）

作用：标识文件类型与兼容性，是 MP4 的"身份证"

结构：

复制代码

size(4)+type(4, 'ftyp')+major_brand(4)+minor_version(4)+compatible_brands(n*4)

示例：major_brand=mp42 表示兼容 MPEG‑4 Part 14；compatible_brands 列出支持的品牌（如 isom、avc1）。

2. moov（Movie Box，必选，容器 Box）

作用：存储媒体元数据（时长、轨道、编码、时间戳映射等），是 MP4 的"索引目录"

典型子 Box 结构：

复制代码

moov
├─ mvhd（Movie Header Box，必选）：全局媒体信息（创建时间、时长、时间尺度）
├─ trak（Track Box，至少 1 个）：单个轨道（视频/音频/字幕）
│  ├─ tkhd（Track Header Box）：轨道头（ID、时长、分辨率、音量）
│  ├─ mdia（Media Box）：媒体信息容器
│  │  ├─ mdhd（Media Header Box）：媒体时间尺度、时长
│  │  ├─ hdlr（Handler Reference Box）：轨道类型（video/audio）
│  │  └─ minf（Media Information Box）：媒体编码与采样信息
│  │     ├─ vmhd/smhd（Video/Audio Media Header）：音视频专属头
│  │     ├─ dinf（Data Information Box）：数据存储位置
│  │     └─ stbl（Sample Table Box，核心）：采样表（帧索引）
│  │        ├─ stsd（Sample Description）：编码参数（如 H.264 SPS/PPS、AAC 配置）
│  │        ├─ stts（Time‑to‑Sample）：时间戳→采样映射
│  │        ├─ stsc（Sample‑to‑Chunk）：采样→数据块映射
│  │        ├─ stsz（Sample Sizes）：每个采样的字节数
│  │        └─ stco/co64（Chunk Offsets）：数据块在文件中的偏移量
└─ udta（User Data Box，可选）：自定义元数据（标题、作者、封面）

关键：stbl 子 Box 决定如何从 mdat 中定位并解码每一帧数据。

3. mdat（Media Data Box，可选，可多个）

作用：存储原始媒体数据（视频帧、音频帧），是 MP4 的"数据仓库"
结构：size+type('mdat')+媒体字节流
特点：
- 数据无结构，完全由 moov 中的 stbl 描述
- 可通过 stco/co64 定位到帧的偏移量与长度
- 支持"外部引用"（无 mdat，数据来自其他文件）。

4. 其他常见根 Box

free/skip：填充/预留空间，不影响播放
meta：扩展元数据（如章节、封面）。

三、关键设计细节与机制

1. 容器 Box vs 叶子 Box

容器 Box：可嵌套子 Box（如 moov、trak、mdia），负责组织元数据结构
叶子 Box：直接存储数据（如 mdat、mvhd），无嵌套。

2. 时间尺度与时间戳映射

mvhd/mdhd 中的 timescale 定义"1 秒包含的时间单位数"（如 timescale=90000 对应 90kHz）
stts 将采样时间戳（单位：timescale）映射为实际播放时间
示例：timescale=90000，采样时间戳 180000 → 播放时间 2 秒。

3. 快速启动（Fast Start）

默认 moov 在 mdat 之后，播放器需读取到文件末尾才能开始播放
将 moov 移到 mdat 之前（如用 ffmpeg -movflags faststart），播放器可立即解析元数据并启动播放，适合网络分发。

4. 64 位扩展

当 Box 长度超过 4GB 时，size=1 并启用 largesize（8 字节）
co64 替代 stco 存储 64 位偏移量，支持超大文件。

四、典型文件结构示例

复制代码

[ftyp] → [moov] → [mdat]
或
[ftyp] → [free] → [mdat] → [moov]

ftyp：固定开头，标识格式
moov：元数据，决定播放逻辑
mdat：音视频帧，占文件体积 90%+。

五、常见问题与解析要点

文件损坏 ：moov 丢失或 stbl 错误会导致无法播放，需修复索引
多音轨/字幕 ：通过多个 trak 实现，每个 trak 对应独立的 stbl
H.264/HEVC 编码适配 ：stsd 中存储 avcC/hvcC 结构，包含 SPS/PPS/VPS 等编码参数。

六、实用工具与命令

查看 Box 结构：mp4box -info input.mp4 或 ffprobe -show_streams -show_format input.mp4
快速启动优化：ffmpeg -i input.mp4 -c copy -movflags faststart output.mp4
提取 Box：dd if=input.mp4 of=moov.box skip=$offset count=$size（需先解析 moov 偏移与长度）。