視音訊編解碼學習工程：FLV封裝格式分析器
=====================================================
視音訊編解碼學習工程系列文章列表：
=====================================================
本文介紹一個自己的開源小專案：FLV封裝格式分析器。FLV全稱是Flash Video，是網際網路上使用極為廣泛的視訊封裝格式。像Youtube，優酷這類視訊網站，都使用FLV封裝視訊。我這個專案規模不大，主要可以用來學習FLV封裝格式結構。此外它還支援分離FLV中的視訊流和音訊流。使用VC 2010的MFC開發完成。在對FLV進行視音訊分離的過程中，用到了一個Github開源小工程：flvparse。在此插一句：我發現Github上優秀的東西真的還是挺多的，許多零散的小工程，效果都很不錯。這個flvparse做的就不錯。
軟體的exe以及原始碼已經上傳到了SourceForge上。和之前的H.264碼流分析器一樣，增加了一個英文介面，緊跟國際潮流~
更新記錄==============================
1.1版（2014.7.8）
* 更換了介面
* 原工程支援Unicode編碼
* 支援中英文切換
新版（2016.1.1）
* 精簡了程式碼，使之更通俗易懂
* 修改了少量介面UI
* 修正了少量解析錯誤
* 添加了對TagData首位元組的解析
已經更新至SourceForge上
軟體使用介紹
軟體的使用相當簡單。軟體執行後，首先開啟一個FLV檔案。單擊“開始”，可以解析出一系列Tag，列表顯示在軟體右側。不同種類的Tag被標記成了不同的顏色。列表中包含了每個Tag的型別、大小、時間戳、StreamID、TagData首位元組。軟體的左側，顯示了FLV檔案頭資訊。
此外軟體做了一個英文介面，如下所示。
注：如果勾選上“輸出視訊”，“輸出音訊”的話，可以輸出分離後的視訊流和音訊流。在這裡要注意的是音訊支援MP3格式，AAC格式貌似有點問題。
軟體原始碼簡析
原始碼方面和普通的MFC程式差不太多，懂得MFC的人應該很快就能看懂。唯一比較特殊的地方，就在於對開源專案flvparse進行了一些改動，在此就不細說了。註釋方面還是很充分的。
FLV封裝原理
FLV格式的封裝原理，貼上來輔助學習之用。FLV（Flash Video）是Adobe公司設計開發的一種流行的流媒體格式，由於其視訊檔案體積輕巧、封裝簡單等特點，使其很適合在網際網路上進行應用。此外，FLV可以使用Flash Player進行播放，而Flash Player外掛已經安裝在全世界絕大部分瀏覽器上，這使得通過網頁播放FLV視訊十分容易。目前主流的視訊網站如優酷網，土豆網，樂視網等網站無一例外地使用了FLV格式。FLV封裝格式的檔案字尾通常為“.flv”。
總體上看，FLV包括檔案頭（File Header）和檔案體（File Body）兩部分，其中檔案體由一系列的Tag組成。因此一個FLV檔案是如圖1結構。
圖1.檔案結構（簡圖）
其中，每個Tag前面還包含了Previous Tag Size欄位，表示前面一個Tag的大小。Tag的型別可以是視訊、音訊和Script，每個Tag只能包含以上三種類型的資料中的一種。圖2展示了FLV檔案的詳細結構。
圖2.FLV檔案結構（詳圖）
下面詳細介紹一下三種Tag的Tag Data部分的結構。
(a)Audio Tag Data結構（音訊Tag）
音訊Tag開始的第1個位元組包含了音訊資料的引數資訊，從第2個位元組開始為音訊流資料。結構如圖3所示。
圖3.Audio Tag Data結構
第1個位元組的前4位的數值表示了音訊編碼型別。如表1所示。
表1.音訊編碼型別
值 | 含義 |
0 | Linear PCM，platform endian |
1 | ADPCM |
2 | MP3 |
3 | Linear PCM，little endian |
4 | Nellymoser 16-kHz mono |
5 | Nellymoser 8-kHz mono |
6 | Nellymoser |
7 | G.711 A-law logarithmic PCM |
8 | G.711 mu-law logarithmic PCM |
9 | reserved |
10 | AAC |
14 | MP3 8-Khz |
15 | Device-specific sound |
第1個位元組的第5-6位的數值表示音訊取樣率。如表2所示。
表2.音訊取樣率
值 | 含義 |
0 | 5.5kHz |
1 | 11KHz |
2 | 22 kHz |
3 | 44 kHz |
PS：從上表可以發現，FLV封裝格式並不支援48KHz的取樣率。
第1個位元組的第7位表示音訊取樣精度。如表3所示。
表3.音訊取樣精度
值 | 含義 |
0 | 8bits |
1 | 16bits |
第1個位元組的第8位表示音訊型別。
表4. 音訊型別
值 | 含義 |
0 | sndMono |
1 | sndStereo |
(b)Video Tag Data結構（視訊Tag）
視訊Tag也用開始的第1個位元組包含視訊資料的引數資訊，從第2個位元組為視訊流資料。結構如圖4所示。
圖4.Video Tag Data結構
第1個位元組的前4位的數值表示幀型別。如表5所示。
表5.幀型別
值 | 含義 |
1 | keyframe （for AVC，a seekable frame） |
2 | inter frame （for AVC，a nonseekable frame） |
3 | disposable inter frame （H.263 only） |
4 | generated keyframe （reserved for server use） |
5 | video info/command frame |
第1個位元組的後4位的數值表示視訊編碼型別。如表6所示。
表6.視訊編碼型別
值 | 含義 |
1 | JPEG （currently unused） |
2 | Sorenson H.263 |
3 | Screen video |
4 | On2 VP6 |
5 | On2 VP6 with alpha channel |
6 | Screen video version 2 |
7 | AVC |
(c)Script Tag Data結構（控制幀）
該型別Tag又通常被稱為Metadata Tag，會放一些關於FLV視訊和音訊的元資料資訊如：duration、width、height等。通常該型別Tag會跟在File Header後面作為第一個Tag出現，而且只有一個。結構如圖5所示。
圖5.Script Tag Data結構
第一個AMF包：
第1個位元組表示AMF包型別，一般總是0x02，表示字串。第2-3個位元組為UI16型別值，標識字串的長度，一般總是0x000A（“onMetaData”長度）。後面位元組為具體的字串，一般總為“onMetaData”（6F,6E,4D,65,74,61,44,61,74,61）。
第二個AMF包：
第1個位元組表示AMF包型別，一般總是0x08，表示陣列。第2-5個位元組為UI32型別值，表示陣列元素的個數。後面即為各陣列元素的封裝，陣列元素為元素名稱和值組成的對。常見的陣列元素如表7所示。
表7.常見MetaData
值 | 含義 |
duration | 時長 |
width | 視訊寬度 |
height | 視訊高度 |
videodatarate | 視訊位元速率 |
framerate | 視訊幀率 |
videocodecid | 視訊編碼方式 |
audiosamplerate | 音訊取樣率 |
audiosamplesize | 音訊取樣精度 |
stereo | 是否為立體聲 |
audiocodecid | 音訊編碼方式 |
filesize | 檔案大小 |