3、MP4关键元数据：Track、Sample、Chunk、Sample Table（stbl）详解
MP4文件的结构，说白了就是一棵树。你打开一个MP4文件，最先看到的是ftyp，然后是moov和mdat。但真正决定播放器能不能正确解码的，是moov里的那堆元数据。今天我们就来啃最核心的几个概念：Track、Sample、Chunk，以及那个让人又爱又恨的Sample Table（stbl）。
我个人习惯把MP4的元数据比作一本字典。你查一个字，得知道它在哪一页、哪一行。Track就是章节，Sample就是每个字，Chunk就是连续的几页，而stbl就是索引目录。没有这个目录，播放器就得从头到尾扫描整个文件——那体验，你想想看。
核心关系速览：
- Track：一条独立的媒体流（视频、音频、字幕等）
- Sample：一个独立的媒体单元（一帧视频、一段音频）
- Chunk：连续存储的一组Sample
- stbl：描述Sample如何映射到文件偏移的索引表
3.1 Track：媒体流的容器
一个MP4文件可以包含多个Track。最常见的，一个视频Track加一个音频Track。每个Track都有自己的tkhd（Track Header），里面记录了时长、宽高、音量等基本信息。
我记得有一次接手一个项目，播放器总是卡在开头几秒。排查了半天，发现是Track的duration字段写错了，导致播放器预加载了过多数据。嗯，这里要注意：tkhd里的duration是媒体时间单位，不是毫秒，也不是秒。你得结合mdhd里的timescale才能换算成真实时间。
| Track类型 | 常见子类型 | 关键Box |
|---|---|---|
| 视频 | h264, hevc, av1 | stsd（Sample Description） |
| 音频 | aac, mp3, opus | stsd + mp4a/mp4v等 |
| 字幕 | tx3g, wvtt | stsd + 字体描述 |
| 元数据 | meta, timed metadata | stsd + 自定义描述 |
避坑指南：我曾经在解析一个多Track文件时，发现第二个Track的tkhd里track_ID居然和第一个重复了。虽然规范不允许，但有些编码器确实会犯这种错。解析时一定要做去重校验，否则后面查stbl会乱套。
3.2 Sample：最小的媒体单元
Sample是什么？对于视频，一帧就是一个Sample。对于音频，一段连续的音频数据（通常是1024或2048个采样点）就是一个Sample。Sample是不可再分的媒体数据单元。
你可能会问：那一个Sample在文件里占多少字节？这得看编码格式和编码参数。H.264的I帧可能几十KB，B帧可能只有几KB。所以，每个Sample的大小是不固定的。这就引出了一个问题：播放器怎么知道每个Sample从哪里开始、到哪里结束？
答案就在stbl里。stbl里有一个叫stsz（Sample Size）的Box，它记录着每个Sample的字节大小。如果所有Sample大小相同（比如某些音频流），stsz可以只写一个默认值，省空间。
注意：Sample和NAL单元（H.264）不是一回事。一个Sample可能包含多个NAL单元（比如一个IDR帧包含SPS、PPS和Slice数据）。解析时不要混淆。
3.3 Chunk：Sample的物理分组
Sample是逻辑单元，Chunk是物理存储单元。编码器在写文件时，会把连续的几个Sample打包成一个Chunk，然后写入mdat。为什么这么做？为了减少文件碎片，提高读写效率。
举个例子：一个视频Track有1000个Sample，编码器可能每10个Sample组成一个Chunk。这样在mdat里就只有100个Chunk，而不是1000个零散的数据块。播放器读取时，一次I/O操作就能拿到10个Sample，效率高得多。
Chunk的信息记录在stco（Chunk Offset）里。每个Chunk有一个起始文件偏移，以及包含的Sample数量。嗯，这里有个细节：stco记录的是Chunk在mdat里的绝对偏移，不是相对于moov的偏移。
| Box名称 | 作用 | 关键字段 |
|---|---|---|
| stco | Chunk在文件中的偏移 | chunk_offset（数组） |
| stsc | Sample到Chunk的映射 | first_chunk, samples_per_chunk, sample_description_index |
| stsz | 每个Sample的大小 | sample_size（统一值或数组） |
| stts | Sample的时间戳 | sample_delta（数组） |
关键理解：Chunk是物理概念，Sample是逻辑概念。播放器通过stsc知道：第N个Chunk包含哪些Sample；通过stco知道：这个Chunk在文件哪里；通过stsz知道：每个Sample多大。三者结合，就能精确定位任意一个Sample的数据。
3.4 Sample Table（stbl）：元数据的核心
stbl是Track里最重要的Box。它下面有多个子Box，每个负责一类元数据。我把它叫做「五虎上将」：
- stsd（Sample Description）：描述Sample的编码格式、分辨率、采样率等。没有它，解码器不知道该怎么解码。
- stts（Time-to-Sample）：记录每个Sample的时长（delta）。播放器靠它计算时间戳。
- stsc（Sample-to-Chunk）：记录每个Chunk包含多少个Sample。这是连接逻辑和物理的桥梁。
- stsz（Sample Size）：记录每个Sample的字节大小。
- stco（Chunk Offset）：记录每个Chunk在文件中的起始偏移。
你想想看，播放器要播放第100帧视频，它需要做几步？
- 通过
stts找到第100帧对应的Sample索引（因为时间戳可能不是均匀的）。 - 通过
stsc找到这个Sample属于哪个Chunk。 - 通过
stco找到这个Chunk的偏移。 - 通过
stsz找到这个Sample在Chunk内的偏移和大小。 - 从
mdat里读取数据，交给解码器。
每一步都离不开stbl。所以我说，stbl是MP4解析的「心脏」。我曾经在优化一个播放器时，发现随机seek特别慢。查到最后，是stco用了32位偏移，而文件超过4GB了。换成64位的co64后，问题解决。
大文件陷阱：如果文件超过4GB，stco必须使用64位版本（co64）。但有些老编码器会忽略这个限制，导致解析时偏移溢出。解析时一定要检查ftyp里的brand，如果是"isom"或"mp42"，大概率支持64位。
3.5 整体结构图
下面这张图展示了Track、Sample、Chunk和stbl之间的关系。我建议你多看几遍，理解这个层级结构，后面解析代码写起来就顺了。
3.6 实战：如何快速定位一个Sample
假设我们要读取视频Track的第50个Sample。伪代码如下：
// 1. 通过 stsz 获取第50个Sample的大小
sample_size = stsz.entry_sizes[49]; // 索引从0开始
// 2. 通过 stsc 找到第50个Sample属于哪个Chunk
// stsc 是一个分段表，需要遍历查找
chunk_index = find_chunk_for_sample(50, stsc.entries);
// 3. 通过 stco 获取该Chunk的文件偏移
chunk_offset = stco.chunk_offsets[chunk_index];
// 4. 计算Sample在Chunk内的偏移
// 需要知道该Chunk中前几个Sample的总大小
offset_within_chunk = 0;
for (i = 0; i < sample_index_within_chunk; i++) {
offset_within_chunk += stsz.entry_sizes[first_sample_index + i];
}
// 5. 最终文件偏移
final_offset = chunk_offset + offset_within_chunk;这段代码看起来简单，但实际项目中坑不少。比如stsc的first_chunk是从1开始计数的，不是0。还有stsz如果用了统一大小模式，entry_sizes数组可能为空，你得用sample_size字段代替。
我的习惯：在解析stbl时，我会先构建一个「Sample索引表」，把每个Sample的偏移和大小提前算好缓存起来。虽然占点内存，但seek时直接查表，速度飞快。对于4K视频，100万个Sample的索引表也就几十MB，值得。
3.7 常见问题与避坑
- stco溢出：文件超过4GB时，必须用
co64。解析时先检查stco的版本号，version=1就是64位。 - stsc分段混乱：有些编码器写的
stsc分段不合理，导致一个Chunk包含的Sample数量忽多忽少。解析时要做边界检查。 - stts时间戳跳跃：如果
stts里的delta为0，说明有连续多个Sample时间戳相同（比如B帧）。播放器要注意处理。 - stsd多描述：一个Track可以有多个Sample Description（比如不同分辨率的视频）。解析时要根据
stsc里的sample_description_index选择正确的描述。
嗯，今天就先聊到这里。Track、Sample、Chunk、stbl这四个概念，是MP4解析的基石。你把这套逻辑吃透了，后面讲moof（电影片段）和fragment（碎片化MP4）时，就会轻松很多。