4、Box通用结构：Box大小、类型、头部扩展、与FullBox的区别

4.1 核心原理：一切皆Box，Box皆从“大小+类型”开始

MP4文件在底层并不是由“轨道”“样本”这类高层概念直接构成的，而是由一层套一层的 Box（或称Atom） 组成的树形结构。每一个Box，无论它承载的是元数据（如moov）、媒体数据（如mdat），还是一个简单的版本号字段，都必须遵循同一种最基础的“信封”格式。这个信封就是本节要讲的 Box通用结构。

一个最普通的Box，其前8个字节被严格划分为两个部分：

• Box Size（4字节，32位无符号大端整数）：表示整个Box（包括Size字段本身、Type字段以及所有后续数据）的总字节数。如果文件小于4GB，这个值通常就是实际大小。
• Box Type（4字节，32位ASCII字符）：用四个可见字符标识Box的种类，例如ftyp、moov、trak、mdat。这些字符区分大小写，且必须是可打印字符。

下图展示了Box通用结构的两种形态——普通Box与带64位扩展大小的Box，以及它们与FullBox的关系：

4.2 方法流程：如何正确读取一个Box的头部

解析MP4文件时，读取Box头部是一个高频且必须严谨的操作。如果头部解析错误，后续所有偏移量都会错位，导致整个文件无法播放。以下是标准读取流程：

1. 读取前4字节，按大端序（Big-Endian）解释为无符号整数，记为 size_32。
2. 读取紧接着的4字节，按ASCII字符解释为 type。
3. 判断 size_32 的值：
   • 若 size_32 == 1：说明Box实际大小超过4GB，需要继续读取8字节的 largesize（64位无符号整数），此时头部总长为16字节。
   • 若 size_32 == 0：表示该Box从当前位置一直延伸到文件末尾，通常用于最后一个 mdat Box。
   • 其他值：直接作为Box的总大小。
4. 判断 type 是否为 uuid：如果是，则额外读取16字节的 usertype，用于扩展类型标识。
5. 计算数据区起始位置：data_offset = 头部总长度（普通Box为8，64位扩展Box为16，含uuid的Box为24）。
6. 校验：确保 size >= 头部长度，否则视为损坏文件。

import struct

def read_box_header(f):
    """读取Box头部，返回 (type, total_size, header_len)"""
    start = f.tell()
    size_32 = struct.unpack('>I', f.read(4))[0]
    box_type = f.read(4).decode('ascii', errors='replace')
    
    header_len = 8
    if size_32 == 1:
        # 64位扩展大小
        largesize = struct.unpack('>Q', f.read(8))[0]
        total_size = largesize
        header_len = 16
    elif size_32 == 0:
        # 延伸到文件末尾
        f.seek(0, 2)
        total_size = f.tell() - start
        f.seek(start + 8)
    else:
        total_size = size_32
    
    if box_type == 'uuid':
        f.read(16)  # 跳过usertype
        header_len += 16
    
    return box_type, total_size, header_len

4.3 案例场景：从ftyp到moov的头部对比

我们以实际文件中常见的几个Box为例，对比它们的头部字段差异：

从表中可以清晰看到：ftyp和moov是普通Box，头部只有8字节；而mvhd、tkhd属于FullBox，头部在8字节基础上额外增加了4字节的Version+Flags。这种差异直接影响了数据区起始位置的偏移量计算。

4.4 误区与复盘：解析Box时的常见陷阱

理解Box通用结构是掌握MP4封装格式的基石。无论是后续学习moov内部的子Box嵌套，还是分析stbl中的样本表，都需要先能准确识别每个Box的边界和头部长度。记住：先读Size和Type，再判断是否需要扩展头部，最后根据是否FullBox决定数据区偏移——这条路径适用于所有Box。