js對flv提取h264、aac音視頻流

FLV提取里面的h264視頻流

FLV和MP4支持的編碼

流媒體和媒體文件的區別

流媒體是指將一連串的多媒體資料壓縮后，經過互聯網分段發送資料，在互聯網上即時傳輸影音以供觀賞的一種技術與過程，此技術使得資料數據包得以像流水一樣發送，如果不使用此技術，就必須在使用前下載整個媒體文件。flv屬於流媒體格式，所以很適合做低延時的直播

對比hls和mp4

相對於mp4，flv更加靈活體積更小，mp4不是流媒體需要索引表才可以正常播放
相對於hls，flv可以做到延時更低，因為hls需要發起多次http短連接請求播放，而flv可以通過http長連接結合ReadableStream做到更小切片的播放。

** ps：下面的圖片很多是采用別人的，我也忘記備注來源了 **

1.flv的協議結構

FLV文件由FLV header和FLV body組成，FLV body由一系列的FLV tags組成，如下圖所示：

tag又可以分成三類:audio,video,script，分別代表音頻流，視頻流，腳本流，而每個tag又由tag header和tag data組成。每個Tag前面還包含了Previous Tag Size字段，表示前面一個Tag的大小。整個FLV文件的詳細的組成如下圖所示：

下面是一個flv視頻的hex編碼：

flv header

這里前面9個字節為flv的header
0x46：ASCII編碼里的"F"
0x4c: ASCII編碼里的"L"
0x56: ASCII編碼里的"V"
0x01: FLV的版本號
0x05: 對應二進制為0000 0101，意思為包含視頻和音頻
0x 00 00 00 09: 表示flv body的起始字節位置

flv的body：

****這里flv body的前4個字節總是0

tag的結構

tag Header

type：0x12 (18為元數據tag，9為視頻tag，8為音頻tag，占1個字節)
dataSize：0x0001AC = 428 （tagbody的長度，占3個字節）
timeStamp: 0x00000000 = 0 （tag對應的時間戳，其中最后一個字節代表高位，一共4個字節）
streamId：0x000000 = 0 (一直為0)

tag Data

video data構成

視頻Tag也用開始的第1個字節包含視頻數據的參數信息，從第2個字節為視頻流數據。結構如下圖所示

第1個字節的前4位表示幀類型，各個取值的含義如下：

后4位表示視頻編碼類型，各個取值的含義如下：

字節位置	描述
1	視頻參數信息，幀類型和編碼類型（如上圖）
2	該video tag data的類型，0為AVC packet type， 1為NALU，這里AVC packet type包含了該視頻下面的一下公共信息，NALU則是h264的基本構成。2為結束標志
3~5	composition time，AVC時，全0，無意義

看下截圖的數據：
0x17：1-keyframe 7-avc
0x00：AVC sequence header -- AVC packet type
0x000000: composition time，AVC時，全0，無意義

• AVC sequence header數據結構（video data第6個字節開始）

字節位置	描述	截圖數據
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級別	0x1e
10	lengthSizeMinusOne FLV中NALU包長數據所使用的字節數，（lengthSizeMinusOne & 3）+1，實際測試時發現總為ff，計算結果為4	(0xff & 3) + 1 = 4
11	numOfSequenceParameterSets (E1 -- SPS 的個數，numOfSequenceParameterSets & 0x1F)	0xe1 & 0x1f = 1
12~13	sequenceParameterSetLength SPS 的長度，2個字節	0x001a=26
14~14+sequenceParameterSetLength	SPS 數據	0x27 ... 0x92
14+sequenceParameterSetLength+1	PPS 的個數，實際測試時發現總為01	0x01
14+sequenceParameterSetLength+2	pictureParameterSetLength PPS 的長度	0x0004=4
14+sequenceParameterSetLength+3 ~ dataEnd	PPS 數據	0x28ee3cb0

分析截圖數據中，比較重要的只有lengthSizeMinusOne = 4字節，這里需要存起來因為下面的NALU解析時需要用到。

• NALU數據結構

NALU的小知識

類型	描述
SPS	序列參數集，SPS中保存了⼀組編碼視頻序列(Coded video sequence)的全局參數
PPS	圖像參數集，對應的是⼀個序列中某⼀幅圖像或者某⼏幅圖像的參數
I幀	幀內編碼幀，可獨⽴解碼⽣成完整的圖⽚
P幀	前向預測編碼幀，需要參考其前⾯的⼀個I 或者B 來⽣成⼀張完整的圖⽚
B幀	雙向預測內插編碼幀，則要參考其前⼀個I或者P幀及其后⾯的⼀個P幀來⽣成⼀張完整的圖⽚

下面是第二個video tag的截圖：

第二個字節為0x01，說明下面是NALU包，一個tag可以包含多個NALU（h264的NALU之間需要用0X000000或0x00000000作為間隔，不過flv內是不包含的）
第3~5字節為composition time，可以忽略不記
所以由第6個字節開始，從第一個video tag的AVC sequence header可以得知每個NALU的數據長度由起始的4個字節描述。
所以第一個NALU的數據長度為：0x0000001A = 26byte
數據為：0x276400 ... 92
這里其中第一個字節的前5位為該NAL包的類型

0x27 & 0x1f = 7

NAl的類型對照表：

#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

一個NALU結束后的4個字節為下個NALU的長度，以此下去。
代碼實現抽取NALU：

uint8Array // 以獲得的flv數據，下面只是針對video tag的解析，不是完整代碼
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  // 是否為關鍵幀
const codeId = (uint8Array[idx++] & 0x0f)  // 視頻編碼類型（7為avc）
const isAVCSequenceHeader = uint8Array[idx++] === 0 // 是否為avc頭部，只有一個
if (isAVCSequenceHeader) {
  const compositionTime = 0 // AVC時，全0，無意義(直接跳過3個字節)
  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等級指示
  const lengthSizeMinusOne = (uint8Array[idx++] & 3) + 1 //FLV中NALU包長數據所使用的字節數，（lengthSizeMinusOne & 3）+1，實際測試時發現總為ff，計算結果為4
  const numOfSequenceParameterSets = uint8Array[idx++] & 0x1f //  01 -- SPS 的個數，numOfSequenceParameterSets & 0x1F
  const sequenceParameterSetLength = (uint8Array[idx++] << 8) + uint8Array[idx++] // SPS 的長度，2個字節
  videoArr.push(this.concatenate(Uint8Array, [new Uint8Array([0,0,0,1]), uint8Array.slice(idx, idx + sequenceParameterSetLength)]))
  idx += sequenceParameterSetLength
  const numOfPictureParameterSets = uint8Array[idx++] // PPS 的個數，實際測試時發現總為E1
  const pictureParameterSetLength = (uint8Array[idx++] << 8) + uint8Array[idx++] // PPS 的長度
  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 { // 非頭部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構成

前兩個字節為公共頭部

字節位置	描述
1	音頻參數
2	AACPacketType 0為AudioSpecificConfig， 1為AACframeData

音頻參數數據結構

位	描述	截圖數據分析
1~4	format編碼類型	0xAF&0xF0=10
5~6	rate采樣率	(0xAF&0x0c)>>2=3
7	sampleSize采樣精度	(0xAF & 0x02) >> 1=1
8	audiotype音頻類型	0xAF&0x01=1

第二個字節為0x00，所以下面為AudioSpecificConfig數據，因為AudioSpecificConfig只出現一次，所以需要記錄起來。
AudioSpecificConfig的數據可以由第3、4個字節獲取。
具體數據結構如下：

位	字段	描述
1~5	audioObjectType	編碼結構類型
6~9	samplingFrequencyIndex	音頻采樣率索引值，44100對應值4
10~13	channelConfiguration	音頻輸出聲道
14	frameLengthFlag	標志位，用於表明IMDCT窗口長度，0
15	dependsOnCoreCoder	標志位，表明是否依賴於corecoder,0
16	extensionFlag	延時標志位

• flv存儲的AAC數據為AAC為es數據流，不能直接播放，如果想要播放需要在每個es流前面加上ADTS頭部，所以一個完整可播放的AAC為：
  

這里ADTS由adts_fixed_header和adts_variable_header組成
其一為固定頭信息，緊接着是可變頭信息。固定頭信息中的數據每一幀都相同，而可變頭信息則在幀與幀之間可變
adts_fixed_header：

字段	描述	長度（bits）
syncword	同步頭 總是0xFFF, all bits must be 1，代表着一個ADTS幀的開始	12
ID	MPEG標識符，0標識MPEG-4，1標識MPEG-2	1
Layer	always: '00'	2
protection_absent	表示是否誤碼校驗。Warning, set to 1 if there is no CRC and 0 if there is CRC	1
profile	表示使用哪個級別的AAC，如01 Low Complexity(LC)--- AAC LC。有些芯片只支持AAC LC，值等於 Audio Object Type的值減1	2
sampling_frequency_index	表示使用的采樣率下標	4
private bit	0	1
channel_configuration	表示聲道數，比如2表示立體聲雙聲道	3
original	0	1
home	0	1

adts_variable_header:

字段	描述	長度（bits）
copyright_id_bit	0	1
copyright_id_start	0	1
aac_frame_length	一個ADTS幀的長度包括ADTS頭和AAC原始流	13
adts_buffer_fullness	0x7FF 說明是碼率可變的碼流	11
number_of_raw_data_blocks_in_frame	00	2

第二個audio data里的AACPacketType都會為1，所以只要便利所有的audio tag，給每個es流前面加上ADTS頭部就可以了

實現代碼：

uint8Array // 以獲得的flv數據，下面只是針對audio tag的解析，不是完整代碼
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 // 編碼類型
const rate = (info & 0x0c) >> 2 // 采樣率
const sampleSize = (info & 0x02) >> 1 // 采樣精度
const audiotype = (info & 0x01) // 音頻類型
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    中間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

主要是描述該flv的信息，例如寬高，時長等等。所處位置為第一個tag

播放h264和aac

Fragmented MP4文件格式

在Fragmented MP4文件中都有三個非常關鍵的boxes：‘moov’、‘moof’和‘mdat’。

（1）‘moov’（movie metadata box）

和普通MP4文件的‘moov’一樣，包含了file-level的metadata信息，用來描述file。
（2）‘mdat’（media data box）

和普通MP4文件的‘mdat’一樣，用於存放媒體數據，不同的是普通MP4文件只有一個‘mdat’box，而Fragmented MP4文件中，每個fragment都會有一個‘mdat’類型的box。
（3）‘moof’（movie fragment box）
該類型的box存放的是fragment-level的metadata信息，用於描述所在的fragment。該類型的box在普通的MP4文件中是不存在的，而在Fragmented MP4文件中，每個fragment都會有一個‘moof’類型的box。

一個‘moof’和一個‘mdat’組成Fragmented MP4文件的一個fragment，這個fragment包含一個video track或audio track，並且包含足夠的metadata以保證這部分數據可以單獨解碼