MP4容器深度解析：MP4文件结构（ftyp/moov/mdat）、Box层次结构、moov box详解
MP4，说白了就是一堆Box的嵌套。你打开任何一个MP4文件，看到的不是连续的音频视频数据，而是一层套一层的“盒子”。我刚开始接触封装时，总觉得这结构有点绕，后来亲手拆了几个文件，才真正理解它的设计哲学——一切皆Box，Box里还能装Box。
MP4的物理骨架：ftyp、moov、mdat
一个标准的MP4文件，最外层至少有三个顶级Box。它们就像房子的地基、图纸和家具，缺一不可。
| Box名称 | 全称 | 作用 | 是否必须 |
|---|---|---|---|
| ftyp | File Type Box | 声明文件类型、兼容版本 | 是 |
| moov | Movie Box | 存储元数据、时长、轨道信息 | 是 |
| mdat | Media Data Box | 存放实际的音视频样本数据 | 是 |
你可能会问：为什么要把元数据和数据分开？我遇到过的一个真实场景可以回答你——在线点播。如果moov在文件末尾，播放器必须下载完整个文件才能开始播放，那体验就太糟糕了。所以，moov放在mdat前面，是流媒体优化的第一步。
关键认知：MP4不是简单的“头+数据”结构，而是通过Box的嵌套和引用，实现了元数据与媒体数据的分离。这种设计让随机访问、局部更新成为可能。
Box层次结构：一切皆Box
每个Box都有固定的“包头+负载”格式。包头只有两个字段：Size和Type。Size表示整个Box的字节数，Type是四字符标识，比如'moov'、'trak'。如果Size为0，表示这个Box一直延伸到文件末尾——通常只有最后一个Box才这么干。
// Box的基本结构（伪代码）
struct Box {
uint32_t size; // 整个Box的大小（包括包头）
uint32_t type; // 四字符Box类型，如 'moov'
uint8_t data[]; // 负载数据，可以是子Box或原始数据
};Box可以嵌套。比如moov下面可以包含多个trak（轨道），每个trak下面又有mdia（媒体信息），mdia下面还有minf（媒体信息容器）……这种树形结构，你想想看，是不是很像文件系统的目录？我习惯把顶级Box叫“根目录”，子Box叫“子目录”，而mdat里的数据就是“文件内容”。
个人技巧：调试时我常用 mp4box -info input.mp4 或 ffprobe -show_boxes input.mp4 来打印Box树。看到缩进层级，你就能直观理解嵌套关系。
moov box详解：播放器的导航地图
moov是整个MP4文件的大脑。没有它，播放器根本不知道视频有多长、分辨率多少、音频采样率多少。我早期做转码时，有一次moov写坏了，结果播放器直接崩溃——嗯，从那以后我再也不敢轻视这个Box了。
moov下面最重要的子Box包括：
- mvhd（Movie Header Box）：全局信息，时长、时间基、播放速率。
- trak（Track Box）：每个轨道一个，视频、音频、字幕各占一个。
- udta（User Data Box）：元数据，比如标题、封面、自定义信息。
每个trak下面又包含：
- tkhd（Track Header Box）：轨道ID、宽高、音量。
- mdia（Media Box）：媒体描述容器。
- mdhd（Media Header Box）：媒体时间基、语言。
- hdlr（Handler Reference Box）：声明轨道类型（vide/soun）。
- minf（Media Information Box）：再往下就是stbl（Sample Table Box），里面藏着所有关键索引。
stbl里的stco（Chunk Offset Box）和stsz（Sample Size Box）尤其重要。stco告诉播放器“每个数据块在mdat里的偏移位置”，stsz告诉“每个样本的大小”。说白了，播放器就是靠这两张表，才能精准地从mdat里捞出每一帧数据。
避坑指南：我曾经遇到一个MP4文件，播放时前几秒正常，后面全是花屏。排查后发现是stco里的偏移量写错了，导致播放器读到了错误的位置。所以，生成moov时一定要反复校验stco和stsz的准确性，尤其是做切片或拼接操作后。
MP4 Box树形结构图
下面这张图，是我用SVG画的MP4典型Box层次。你可以把它当作调试时的“地图”。
moov的位置对性能的影响
你可能听说过“moov在文件头”和“moov在文件尾”两种布局。我直接说结论：对于流媒体，moov必须在mdat前面。为什么？
- moov在文件头（Fast Start）：播放器只需下载moov就能获取所有元数据，然后按需请求mdat中的片段。首屏加载时间可以控制在1秒以内。
- moov在文件尾：播放器必须下载整个文件才能解析moov，这在本地播放没问题，但在线播放就是灾难。
实用命令：用 ffmpeg -i input.mp4 -movflags faststart output.mp4 可以把moov移到文件头。我每次转码后都会加这个参数，尤其是给CDN分发时。
Box的扩展机制：UUID与自定义Box
标准Box类型只有4个字节，不够用怎么办？MP4规范留了个后门——如果type等于'uuid'，后面会跟一个16字节的UUID，用来标识自定义Box。我在项目中用过这个机制来嵌入私有元数据，比如转码参数、DRM信息。不过要注意，自定义Box可能会被标准播放器忽略，所以别把关键信息放进去。
另外，有些Box支持“大尺寸”模式。如果size字段为1，表示实际大小在后面的8字节扩展字段里。这主要用于超大文件，比如4K视频的mdat可能超过4GB，普通32位size装不下。
注意：解析Box时一定要处理size为0和size为1的边界情况。我见过不少解析器在这两个地方崩溃，尤其是处理碎片化MP4（fMP4）时。
好了，MP4的Box结构就讲到这里。你只要记住：ftyp是身份证，moov是导航地图，mdat是货仓。理解了这三者的关系，后面讲fMP4、切片、HLS/DASH封装时，你就能快速上手。