3、Box结构详解：Box头、大小、类型、用户数据、容器Box
核心原理：一切皆Box，Box是MP4的“原子”
MP4文件本质上是一个层级嵌套的Box（或称Atom）序列。整个文件就是一个大的Box（通常为ftyp或moov），其内部又包含若干子Box，子Box还可以继续嵌套。理解Box结构是解析MP4的基石——无论是时长、分辨率、编码参数还是音视频样本数据，全部以Box的形式存储。
每个Box由两部分组成：Box头（Header）和Box数据（Payload）。Box头描述“这个Box有多大、是什么类型”，Box数据则承载实际内容。Box头的基本结构如下：
偏移量 长度(字节) 字段 说明
0 4 size 整个Box的大小（含头）
4 4 type Box类型（如moov、trak、mdat）
8 … payload Box数据（可能包含子Box或具体字段）当size == 1时，表示Box大小需要扩展：在type字段后追加一个8字节的largesize字段，用于存储超过4GB的超大Box（常见于mdat媒体数据Box）。当size == 0时，表示该Box一直延伸到文件末尾（通常用于最后一个mdat）。
Box头的最小尺寸为8字节（size + type），但某些Box（如uuid）会额外携带16字节的UserType，此时头部为24字节。解析时必须先读取前8字节，再根据type和size值决定后续读取策略。
Box类型与用户数据（UUID Box）
Box的type字段是4个ASCII字符，用于标识Box的语义。常见的Box类型包括：
- ftyp：文件类型与兼容性声明，位于文件起始位置。
- moov：容器Box，存放所有元数据（trak、mvhd等）。
- mdat：媒体数据Box，存放实际的音视频样本帧。
- trak：轨道容器，描述一条音/视频轨道的属性。
- mdia：媒体信息容器，包含mdhd、hdlr、minf等。
- stbl：样本表容器，包含stts、stsc、stsz、stco等关键索引。
除了标准类型，MP4规范允许扩展自定义Box，通过uuid类型实现。此时Box头结构变为：
size (4字节) | type='uuid' (4字节) | usertype (16字节) | payloadusertype是一个16字节的全局唯一标识符（GUID），用于区分不同的自定义扩展。例如，Apple的com.apple.quicktime.*系列元数据就通过UUID Box存储。解析时若遇到uuid，必须跳过或读取这16字节的UserType，否则后续Box偏移会全部错乱。
容器Box与叶子Box
根据是否包含子Box，Box可分为两类：
| 类别 | 特点 | 典型示例 |
|---|---|---|
| 容器Box | payload中不直接存储数据，而是嵌套若干子Box | moov、trak、mdia、minf、stbl、edts |
| 叶子Box | payload中直接存储具体字段或数据，不再包含子Box | mvhd、tkhd、mdhd、hdlr、stts、stsz、mdat |
容器Box的解析逻辑是：读取头部后，进入payload区域，将其视为一个新的Box序列，循环解析每个子Box，直到子Box的总长度等于父Box的payload长度。这种递归结构使得MP4可以灵活表达复杂的媒体信息。
方法流程：手写解析器的核心步骤
解析一个MP4文件时，通常采用递归下降的方式遍历Box树。以下是一个典型的解析流程：
- 打开文件，读取前8字节，解析出
size和type。 - 若
size == 1，继续读取8字节的largesize；若size == 0，则Box延伸至文件末尾。 - 根据
type判断是否为容器Box（如moov、trak）。若是，则进入payload区域，递归执行步骤1~4。 - 若是叶子Box，则根据其类型解析具体字段（如mvhd中的版本、时长、时间刻度）。
- 处理完当前Box后，将文件指针移动到
起始偏移 + size处，继续解析下一个兄弟Box。
关键点在于：Box的size字段是绝对长度，包含头部自身。因此，子Box的解析范围不能超出父Box的边界。若子Box的size之和大于父Box的payload长度，说明文件损坏或解析逻辑有误。
实操建议：在调试解析器时，可以先用十六进制工具（如010 Editor或HxD）打开一个MP4文件，手动定位ftyp、moov、mdat三个关键Box的偏移和大小，验证你的解析逻辑是否正确。例如，ftyp通常位于文件偏移0处，其size一般为24或32字节。
案例场景：从MP4中提取H.264样本的Box路径
假设我们需要从MP4中提取H.264视频帧（样本），典型的Box嵌套路径如下：
文件
└── moov (容器)
└── trak (容器，视频轨道)
└── mdia (容器)
└── minf (容器)
└── stbl (容器)
├── stsd (叶子：编码格式声明，如avc1)
├── stts (叶子：样本时间戳增量表)
├── stsc (叶子：样本到块的映射)
├── stsz (叶子：每个样本的字节大小)
└── stco (叶子：每个块的起始文件偏移)
mdat (叶子：实际样本数据)解析时，先通过trak中的tkhd判断轨道类型（视频/音频），再进入stbl读取stsc和stco，得到每个块（Chunk）的文件偏移。然后根据stsz中的样本大小，从mdat中按偏移切出每个样本。整个过程完全依赖Box头的正确解析——任何一层Box的size计算错误，都会导致后续所有偏移错位。
误区与复盘：Box解析中的常见陷阱
- 误区1：忽略size==1的扩展长度。某些工具生成的MP4中，mdat超过4GB时会使用largesize。若只读取4字节size，会得到1，导致解析崩溃。必须判断size==1并读取后续8字节。
- 误区2：将容器Box当作叶子Box处理。例如，直接读取moov的payload并尝试解释为具体字段，结果得到一堆乱码。正确做法是先判断type是否为已知容器，再递归解析子Box。
- 误区3：未处理Box头中的版本与标志位。部分Box（如mvhd、tkhd）在payload开头有1字节version和3字节flags，version不同（0或1）会导致后续字段宽度不同（如时间戳从32位变为64位）。解析时必须先读取version，再决定字段布局。
- 误区4：假设所有Box都是8字节对齐。虽然大多数Box是4字节对齐，但某些扩展Box可能包含非对齐数据。解析时应始终基于size字段进行偏移计算，而不是依赖固定步长。
复盘提醒：在解析stsc（样本到块映射）时，其条目是“每N个样本属于一个块”的压缩表示，而不是每个样本一条记录。初学者常误以为stsc条目数等于样本数，导致读取样本偏移时越界。务必理解stsc的“分段压缩”语义，结合stco和stsz才能正确还原每个样本的文件位置。
上图展示了MP4中典型的Box嵌套层级：moov作为顶层容器，向下递归包含trak、mdia、stbl等容器Box，最终到达stsd、stsz等叶子Box。右侧同时标出了Box头的可变结构——当size==1时需读取largesize，当type=='uuid'时需读取16字节的usertype。理解这一递归模型后，解析任何MP4文件都只需按部就班地读取头部、判断类型、递归进入payload即可。