js对flv提取h264、aac音视频流

FLV提取里面的h264视频流

FLV和MP4支持的编码

流媒体和媒体文件的区别

流媒体是指将一连串的多媒体资料压缩后，经过互联网分段发送资料，在互联网上即时传输影音以供观赏的一种技术与过程，此技术使得资料数据包得以像流水一样发送，如果不使用此技术，就必须在使用前下载整个媒体文件。flv属于流媒体格式，所以很适合做低延时的直播

对比hls和mp4

相对于mp4，flv更加灵活体积更小，mp4不是流媒体需要索引表才可以正常播放

相对于hls，flv可以做到延时更低，因为hls需要发起多次http短连接请求播放，而flv可以通过http长连接结合ReadableStream做到更小切片的播放。

** ps：下面的图片很多是采用别人的，我也忘记备注来源了 **

1.flv的协议结构

FLV文件由FLV header和FLV body组成，FLV body由一系列的FLV tags组成，如下图所示：



tag又可以分成三类:audio,video,script，分别代表音频流，视频流，脚本流，而每个tag又由tag header和tag data组成。每个Tag前面还包含了Previous Tag Size字段，表示前面一个Tag的大小。整个FLV文件的详细的组成如下图所示：

下面是一个flv视频的hex编码：

flv header

这里前面9个字节为flv的header

0x46：ASCII编码里的"F"

0x4c: ASCII编码里的"L"

0x56: ASCII编码里的"V"

0x01: FLV的版本号

0x05: 对应二进制为0000 0101，意思为包含视频和音频

0x 00 00 00 09: 表示flv body的起始字节位置

flv的body：

****这里flv body的前4个字节总是0

tag的结构

tag Header

type：0x12 (18为元数据tag，9为视频tag，8为音频tag，占1个字节)

dataSize：0x0001AC = 428 （tagbody的长度，占3个字节）

timeStamp: 0x00000000 = 0 （tag对应的时间戳，其中最后一个字节代表高位，一共4个字节）

streamId：0x000000 = 0 (一直为0)

tag Data

video data构成

视频Tag也用开始的第1个字节包含视频数据的参数信息，从第2个字节为视频流数据。结构如下图所示



第1个字节的前4位表示帧类型，各个取值的含义如下：



后4位表示视频编码类型，各个取值的含义如下：

字节位置	描述
1	视频参数信息，帧类型和编码类型（如上图）
2	该video tag data的类型，0为AVC packet type， 1为NALU，这里AVC packet type包含了该视频下面的一下公共信息，NALU则是h264的基本构成。2为结束标志
3~5	composition time，AVC时，全0，无意义

看下截图的数据：

0x17：1-keyframe 7-avc

0x00：AVC sequence header -- AVC packet type

0x000000: composition time，AVC时，全0，无意义

• AVC sequence header数据结构（video data第6个字节开始）

字节位置	描述	截图数据
6	configurationVersion 配置版本	0x01
7	AVCProfileIndication AVC配置文件指示	0x64
8	profileCompatibility 配置文件兼容性	0x00
9	AVCLevelIndication AVC级别	0x1e
10	lengthSizeMinusOne FLV中NALU包长数据所使用的字节数，（lengthSizeMinusOne & 3）+1，实际测试时发现总为ff，计算结果为4	(0xff & 3) + 1 = 4
11	numOfSequenceParameterSets (E1 -- SPS 的个数，numOfSequenceParameterSets & 0x1F)	0xe1 & 0x1f = 1
12~13	sequenceParameterSetLength SPS 的长度，2个字节	0x001a=26
14~14+sequenceParameterSetLength	SPS 数据	0x27 ... 0x92
14+sequenceParameterSetLength+1	PPS 的个数，实际测试时发现总为01	0x01
14+sequenceParameterSetLength+2	pictureParameterSetLength PPS 的长度	0x0004=4
14+sequenceParameterSetLength+3 ~ dataEnd	PPS 数据	0x28ee3cb0

分析截图数据中，比较重要的只有lengthSizeMinusOne = 4字节，这里需要存起来因为下面的NALU解析时需要用到。

• NALU数据结构

NALU的小知识

类型	描述
SPS	序列参数集，SPS中保存了⼀组编码视频序列(Coded video sequence)的全局参数
PPS	图像参数集，对应的是⼀个序列中某⼀幅图像或者某⼏幅图像的参数
I帧	帧内编码帧，可独⽴解码⽣成完整的图⽚
P帧	前向预测编码帧，需要参考其前⾯的⼀个I 或者B 来⽣成⼀张完整的图⽚
B帧	双向预测内插编码帧，则要参考其前⼀个I或者P帧及其后⾯的⼀个P帧来⽣成⼀张完整的图⽚

下面是第二个video tag的截图：



第二个字节为0x01，说明下面是NALU包，一个tag可以包含多个NALU（h264的NALU之间需要用0X000000或0x00000000作为间隔，不过flv内是不包含的）

第3~5字节为composition time，可以忽略不记

所以由第6个字节开始，从第一个video tag的AVC sequence header可以得知每个NALU的数据长度由起始的4个字节描述。

所以第一个NALU的数据长度为：0x0000001A = 26byte

数据为：0x276400 ... 92

这里其中第一个字节的前5位为该NAL包的类型

0x27 & 0x1f = 7

NAl的类型对照表：

#define NALU_TYPE_SLICE 1
#define NALU_TYPE_DPA 2
#define NALU_TYPE_DPB 3
#define NALU_TYPE_DPC 4
#define NALU_TYPE_IDR 5
#define NALU_TYPE_SEI 6
#define NALU_TYPE_SPS 7
#define NALU_TYPE_PPS 8
#define NALU_TYPE_AUD 9
#define NALU_TYPE_EOSEQ 10
#define NALU_TYPE_EOSTREAM 11
#define NALU_TYPE_FILL 12

一个NALU结束后的4个字节为下个NALU的长度，以此下去。

代码实现抽取NALU：

uint8Array // 以获得的flv数据，下面只是针对video tag的解析，不是完整代码
let idx
dataLeng = (uint8Array[idx++] << 0x10) + (uint8Array[idx++] << 0x08) + uint8Array[idx++];
timeStamp = (uint8Array[idx + 3] << 24) + (uint8Array[idx++] << 16) + (uint8Array[idx++] << 8) + uint8Array[idx++]
idx+= (1 + 3)
const dataStartIdx = idx // data起始idx
videoTotalTime += timeStamp
const isIKeyframe = (uint8Array[idx] & 0xf0) === 16  // 是否为关键帧
const codeId = (uint8Array[idx++] & 0x0f)  // 视频编码类型（7为avc）
const isAVCSequenceHeader = uint8Array[idx++] === 0 // 是否为avc头部，只有一个
if (isAVCSequenceHeader) {
  const compositionTime = 0 // AVC时，全0，无意义(直接跳过3个字节)
  idx+=3
  const configurationVersion = uint8Array[idx++] // 配置版本
  const AVCProfileIndication = uint8Array[idx++] // AVC配置文件指示
  const profileCompatibility = uint8Array[idx++] // 配置文件兼容性
  const AVCLevelIndication = uint8Array[idx++] // AVC等级指示
  const lengthSizeMinusOne = (uint8Array[idx++] & 3) + 1 //FLV中NALU包长数据所使用的字节数，（lengthSizeMinusOne & 3）+1，实际测试时发现总为ff，计算结果为4
  const numOfSequenceParameterSets = uint8Array[idx++] & 0x1f //  01 -- SPS 的个数，numOfSequenceParameterSets & 0x1F
  const sequenceParameterSetLength = (uint8Array[idx++] << 8) + uint8Array[idx++] // SPS 的长度，2个字节
  videoArr.push(this.concatenate(Uint8Array, [new Uint8Array([0,0,0,1]), uint8Array.slice(idx, idx + sequenceParameterSetLength)]))
  idx += sequenceParameterSetLength
  const numOfPictureParameterSets = uint8Array[idx++] // PPS 的个数，实际测试时发现总为E1
  const pictureParameterSetLength = (uint8Array[idx++] << 8) + uint8Array[idx++] // PPS 的长度
  videoArr.push(this.concatenate(Uint8Array, [new Uint8Array([0,0,0,1]), uint8Array.slice(idx, idx + pictureParameterSetLength)]))
  idx += pictureParameterSetLength
  videoConfig = {
    compositionTime,
    configurationVersion,
    AVCProfileIndication,
    profileCompatibility,
    AVCLevelIndication,
    lengthSizeMinusOne,
  }
} else { // 非头部tag
  const compositionTime = (uint8Array[idx++] << 16) + (uint8Array[idx++] << 8) + uint8Array[idx++]
  // header得到的lengthSizeMinusOne
  while(dataLeng + dataStartIdx > idx) {
    let i = 1
    let naluLength = 0
    while(i <= videoConfig.lengthSizeMinusOne) {
      naluLength += (uint8Array[idx++] << ((videoConfig.lengthSizeMinusOne - i) * 8))
      i++
    }
    videoArr.push(this.concatenate(Uint8Array, [new Uint8Array([0,0,0,1]), uint8Array.slice(idx, idx + naluLength)]))
    idx += naluLength
  }
}
idx += 4 // preTagSize

audio data构成

前两个字节为公共头部

字节位置	描述
1	音频参数
2	AACPacketType 0为AudioSpecificConfig， 1为AACframeData

音频参数数据结构

位	描述	截图数据分析
1~4	format编码类型	0xAF&0xF0=10
5~6	rate采样率	(0xAF&0x0c)>>2=3
7	sampleSize采样精度	(0xAF & 0x02) >> 1=1
8	audiotype音频类型	0xAF&0x01=1

第二个字节为0x00，所以下面为AudioSpecificConfig数据，因为AudioSpecificConfig只出现一次，所以需要记录起来。

AudioSpecificConfig的数据可以由第3、4个字节获取。

具体数据结构如下：

位	字段	描述
1~5	audioObjectType	编码结构类型
6~9	samplingFrequencyIndex	音频采样率索引值，44100对应值4
10~13	channelConfiguration	音频输出声道
14	frameLengthFlag	标志位，用于表明IMDCT窗口长度，0
15	dependsOnCoreCoder	标志位，表明是否依赖于corecoder,0
16	extensionFlag	延时标志位

• flv存储的AAC数据为AAC为es数据流，不能直接播放，如果想要播放需要在每个es流前面加上ADTS头部，所以一个完整可播放的AAC为：
  
  

这里ADTS由adts_fixed_header和adts_variable_header组成

其一为固定头信息，紧接着是可变头信息。固定头信息中的数据每一帧都相同，而可变头信息则在帧与帧之间可变

adts_fixed_header：

字段	描述	长度（bits）
syncword	同步头 总是0xFFF, all bits must be 1，代表着一个ADTS帧的开始	12
ID	MPEG标识符，0标识MPEG-4，1标识MPEG-2	1
Layer	always: '00'	2
protection_absent	表示是否误码校验。Warning, set to 1 if there is no CRC and 0 if there is CRC	1
profile	表示使用哪个级别的AAC，如01 Low Complexity(LC)--- AAC LC。有些芯片只支持AAC LC，值等于 Audio Object Type的值减1	2
sampling_frequency_index	表示使用的采样率下标	4
private bit	0	1
channel_configuration	表示声道数，比如2表示立体声双声道	3
original	0	1
home	0	1

adts_variable_header:

字段	描述	长度（bits）
copyright_id_bit	0	1
copyright_id_start	0	1
aac_frame_length	一个ADTS帧的长度包括ADTS头和AAC原始流	13
adts_buffer_fullness	0x7FF 说明是码率可变的码流	11
number_of_raw_data_blocks_in_frame	00	2

第二个audio data里的AACPacketType都会为1，所以只要便利所有的audio tag，给每个es流前面加上ADTS头部就可以了

实现代码：

uint8Array // 以获得的flv数据，下面只是针对audio tag的解析，不是完整代码
let idx
dataLeng = (uint8Array[idx++] << 0x10) + (uint8Array[idx++] << 0x08) + uint8Array[idx++];
timeStamp = (uint8Array[idx + 3] << 24) + (uint8Array[idx++] << 16) + (uint8Array[idx++] << 8) + uint8Array[idx++]
idx += (1 + 3)
const audioDataEndIdx = idx + dataLeng
const info = uint8Array[idx++]
const format = info & 0xF0 // 编码类型
const rate = (info & 0x0c) >> 2 // 采样率
const sampleSize = (info & 0x02) >> 1 // 采样精度
const audiotype = (info & 0x01) // 音频类型
const isAudioSpecificConfig = !uint8Array[idx++]
if (isAudioSpecificConfig) {
  audioSpecificConfig = this.getAudioSpecificConfig(uint8Array[idx++], uint8Array[idx++])
  idx = audioDataEndIdx
} else {
  const adtsLen = dataLeng - 2 + 7
  let ADTS = new Uint8Array(7)
  ADTS[0] = 0xff // syncword:0xfff                           高8bits
  ADTS[1] = 0xf0 // syncword:0xfff                           低4bits
  ADTS[1] |= (0 << 3) // MPEG Version:0 for MPEG-4,1 for MPEG-2   1bit
  ADTS[1] |= (0 << 1) // Layer:0                                  2bits
  ADTS[1] |= 1 // protection absent:1                      1bit

  ADTS[2] = (audioSpecificConfig.audioObjectType - 1) << 6 // profile:audio_object_type - 1                      2bits
  ADTS[2] |= (audioSpecificConfig.samplingFrequencyIndex & 0x0f) << 2 // sampling frequency index:sampling_frequency_index  4bits
  ADTS[2] |= (0 << 1) // private bit:0                                      1bit
  ADTS[2] |= (audioSpecificConfig.channelConfiguration & 0x04) >> 2 // channel configuration:channel_config               高1bit

  ADTS[3] = (audioSpecificConfig.channelConfiguration & 0x03) << 6 // channel configuration：channel_config     低2bits
  ADTS[3] |= (0 << 5) // original：0                               1bit
  ADTS[3] |= (0 << 4) // home：0                                   1bit
  ADTS[3] |= (0 << 3) // copyright id bit：0                       1bit
  ADTS[3] |= (0 << 2) // copyright id start：0                     1bit

  ADTS[3] |= (adtsLen & 0x1800) >> 11 // frame length：value    高2bits
  ADTS[4] = (adtsLen & 0x7f8) >> 3 // frame length：value    中间8bits
  ADTS[5] = (adtsLen & 0x7) << 5 // frame length：value    低3bits
  ADTS[5] |= 0x1f // buffer fullness：0x7ff 高5bits
  ADTS[6] = 0xfc
  audioArr.push(this.concatenate(Uint8Array, [ADTS, uint8Array.slice(idx, audioDataEndIdx)]))
  idx = audioDataEndIdx
}
idx += 4

Metadata Tag

主要是描述该flv的信息，例如宽高，时长等等。所处位置为第一个tag

播放h264和aac

Fragmented MP4文件格式

在Fragmented MP4文件中都有三个非常关键的boxes：‘moov’、‘moof’和‘mdat’。

（1）‘moov’（movie metadata box）

和普通MP4文件的‘moov’一样，包含了file-level的metadata信息，用来描述file。

（2）‘mdat’（media data box）

和普通MP4文件的‘mdat’一样，用于存放媒体数据，不同的是普通MP4文件只有一个‘mdat’box，而Fragmented MP4文件中，每个fragment都会有一个‘mdat’类型的box。

（3）‘moof’（movie fragment box）

该类型的box存放的是fragment-level的metadata信息，用于描述所在的fragment。该类型的box在普通的MP4文件中是不存在的，而在Fragmented MP4文件中，每个fragment都会有一个‘moof’类型的box。

一个‘moof’和一个‘mdat’组成Fragmented MP4文件的一个fragment，这个fragment包含一个video track或audio track，并且包含足够的metadata以保证这部分数据可以单独解码