📚 课程目录第3章 MP4文件结构总览

MP4文件结构总览：Box/Atom概念、文件层级结构与主要Box类型

核心原理：一切皆Box——MP4的原子化存储模型

MP4文件在底层并非像普通二进制文件那样按“偏移量+长度”随意切分，而是采用一种完全嵌套的树形结构。这种结构的基本单元被称为Box（在QuickTime衍生规范中也称Atom）。每个Box由三部分构成：Size（4字节）、Type（4字节）以及可选的Payload（数据区）。Size字段指示整个Box（含头部）的字节数，Type字段则用四个ASCII字符标识Box的语义，例如moov、trak、mdat。

关键设计在于：Box可以包含子Box，子Box又继续嵌套，形成一棵递归的容器树。这种设计让MP4具备极强的扩展性——解析器只需按Size跳过未知类型的Box，即可兼容未来新增的Box类型。同时，由于mdat（媒体数据）与moov（元数据）分离，播放器可以先读取moov获得全部轨道信息，再按需跳转读取mdat中的样本数据，实现快速seek。

Box头部结构（基础形态）

偏移  长度  字段      说明
0     4     size      整个Box字节数（含头部）
4     4     type      Box类型（如 ftyp、moov、mdat）
8     N     payload   数据区（可能包含子Box或纯数据）

当size为1时，表示使用64位扩展长度（largesize），用于超大文件；当size为0时，表示该Box延伸至文件末尾（通常仅用于mdat）。

文件层级结构：从ftyp到moov/mdat的骨架

一个典型的MP4文件在顶层通常包含三个主要Box：ftyp（文件类型）、moov（元数据容器）、mdat（媒体数据容器）。其中moov内部嵌套了trak（轨道）、mvhd（电影头）、udta（用户数据）等子Box；每个trak又包含tkhd（轨道头）、mdia（媒体信息）等。这种层级关系直接决定了音视频样本的索引方式。

上图展示了MP4文件的典型Box树。注意moov与mdat在物理位置上可以任意排列——moov位于文件前部（称为faststart优化）有利于网络流式播放，而位于文件尾部则常见于本地录制文件。解析器通过stbl（样本表）中的stco/co64（块偏移表）定位mdat内每个样本的绝对文件偏移。

主要Box类型速查表

Box类型	所属层级	核心作用	关键字段/子Box
`ftyp`	文件顶层	声明文件格式规范与兼容品牌	major_brand, minor_version, compatible_brands
`moov`	文件顶层	所有元数据的根容器	mvhd, trak, udta
`mvhd`	moov内	电影级全局信息（时长、时间尺度）	timescale, duration, rate, volume
`trak`	moov内	定义一条轨道（视频/音频/字幕等）	tkhd, mdia
`tkhd`	trak内	轨道头：标识、尺寸、旋转、时长	track_ID, width, height, matrix
`mdia`	trak内	媒体信息容器	mdhd, hdlr, minf
`hdlr`	mdia内	声明媒体类型（vide/soun）	handler_type
`minf`	mdia内	媒体信息根	vmhd/smhd, dinf, stbl
`stbl`	minf内	样本表：时间戳、偏移、大小映射	stts, stsc, stsz, stco/co64
`mdat`	文件顶层	存储实际音视频样本数据	无子Box，纯二进制数据

方法流程：解析一个MP4文件的步骤

理解Box层级后，解析MP4便成为一次深度优先遍历。标准流程如下：

读取文件头：从偏移0读取第一个Box的size和type，确认其为ftyp，校验major_brand是否为isom、mp42等已知品牌。
扫描顶层Box：按顺序遍历所有顶层Box，记录moov和mdat的文件偏移位置。遇到未知Box（如uuid）时，根据size跳过。
解析moov子树：进入moov后，递归解析其子Box。先读mvhd获取全局时间尺度，再遍历每个trak。
提取轨道信息：对每个trak，读取tkhd获得轨道ID和编码参数，进入mdia后通过hdlr判断轨道类型（视频/音频）。
构建样本索引：在stbl中读取stts（解码时间-样本数映射）、stsc（样本到块的分组）、stsz（每个样本字节数）、stco（每个块的绝对偏移）。通过这四张表即可计算出任意时间点对应的样本在mdat中的精确位置。

实操提示：使用mp4dump（Bento4工具）或ffprobe -show_packets可以快速查看实际文件的Box树。例如：

mp4dump video.mp4 | head -50
# 输出示例：
# [ftyp] size=32
# [moov] size=2851
#   [mvhd] size=120
#   [trak] size=1250
#     [tkhd] size=92
#     [mdia] size=1150
#       [mdhd] size=32
#       [hdlr] size=45
#       [minf] size=1065
#         [stbl] size=1020

案例/场景：FastStart优化与流媒体播放

假设你有一个由手机录制的MP4文件，其moov位于文件末尾。当通过HTTP渐进式下载播放时，播放器必须等待整个文件下载完成才能获取moov，导致无法快速开始播放。解决方案是使用qt-faststart或ffmpeg -movflags faststart将moov移动到文件头部。其本质是重写文件：先写入ftyp，再写入moov（同时更新所有stco偏移量），最后写入mdat。这一操作不改变任何样本数据，仅调整Box顺序并修正偏移表。

常见误区：不要认为mdat必须紧跟在moov之后。实际上，MP4规范允许mdat被拆分为多个块，甚至允许moov出现在文件中间。某些非标准工具生成的MP4可能包含多个mdat，解析时必须通过stco逐一映射，而不能假设只有一个连续数据区。

误区/复盘：Box解析中的典型陷阱

忽略64位扩展大小：当文件超过4GB时，stco（32位偏移）会溢出，必须使用co64（64位偏移）。解析时若发现stco指向的位置异常，应检查是否存在co64。
混淆Box大小与文件偏移：Box的size字段表示该Box自身占用的字节数，不代表其中媒体数据的播放时长。时长由mvhd/mdhd中的timescale和duration共同决定。
未处理Box嵌套深度：某些编码器会生成额外的容器层（如meta内嵌ilst），若解析器只按固定深度遍历，可能漏掉关键轨道信息。
假设Box顺序固定：虽然规范建议ftyp在最前，但moov与mdat的相对顺序并不固定。健壮的解析器必须基于Box type而非位置来构建树。