简介
FLV（Flash Video）是现在非常流行的流媒体格式，由于其视频文件体积轻巧、封装播放简单等特点，使其很适合在网络上进行应用，目前主流的视频网站无一例外地使用了FLV格式。另外由于当前浏览器与Flash Player紧密的结合，使得网页播放FLV视频轻而易举，也是FLV流行的原因之一。
FLV是流媒体封装格式，我们可以将其数据看为二进制字节流。总体上看，FLV包括文件头（File Header）和文件体（File Body）两部分，其中文件体由一系列的Tag及Tag Size对组成。
用到资源文件:
- 东风破.flv:pan.baidu.com/s/1gWewApMW… 提取码: ndpy
- 科比退役演讲.flv: pan.baidu.com/s/1OwosXhKZ… 提取码: afh3
FLV格式解析
先来一张图，这是《科比退役演讲》下载）的一个FLV视频。我使用的是UltraEdit的二进制查看工具。
header
头部分由一下几部分组成 Signature(3 Byte)+Version(1 Byte)+Flags(1 Bypte)+DataOffset(4 Byte)
- signature 占3个字节 固定FLV三个字符作为标示。一般发现前三个字符为FLV时就认为他是flv文件。图中0x46 0x4C 0x56,代表FLV
- Version 占1个字节 标示FLV的版本号。这里我们看到是1
- Flags 占1个字节 内容标示。第0位和第2位,分别表示 video 与 audio 存在的情况.(1表示存在,0表示不存在)。截图看到是0x05，也就是00000101，代表既有视频，也有音频。
- DataOffset 4个字节 表示FLV的header长度。这里可以看到固定是9
Body
FLV的body部分是一系列的back-pointers+tag构成的
- back-pointers固定4个字节,表示前一个tag的size
- tag分三种类型:video,audio,scripts.
tag组成
tag type+tag data size+Timestamp+TimestampExtended+stream id+ tag data
- type 1个字节。8为Audio,9为Video,18为scripts
- tag data size 3个字节。表示tag data的长度。从streamd id 后算起。
- Timestreamp 3个字节。时间戳
- TimestampExtended 1个字节。时间戳扩展字段
- stream id 3个字节。总是0
- tag data 数据部分
图上第一个tag:
- type=0x12=18,表示是一个scripts,FLV中,header后的第一个tag是script tag,script tag内容是amf格式数据,包含两个amf.
- size=0x00 0x01 0x74 = 372
- timpestreamp = 0x00 0x00 0x00
- TimestampExtended=0x00
- streamid=0x00 0x00 0x00
- tag data部分:
tag的划分
图中红色部分是我标出"("与")"前后的的两个back-pointers，都是4个字节。而括号中间就是第一个TAG。那是怎么计算的呢？我们就以这个做个示例。
- 首先第一个back-pointers是0x00000000，那是因为后面是第一个TAG。所以他为0。
- 然后根据我们我们前面格式获取到size是0x00 0x01 0x74 = 372。也就是说从stream id后面再加上372个字节就到了第一个TAG的末尾，我们数一下。tag header有11个字节。那么到第一个TAG，总共有372+11=383=0x17f。
- 接下来我们找到0x17f的地址，从工具上很容易找到，正好就是后括号")"的前面。红0x00 0x00 0x01 0x7F=372，这代表的是上一个TAG的大小。
- 最后我们计算一下，上一个TAG数据部分是372个字节，前面type、stream id等字段占了11个字节。正好是匹配的。 上面我们已经知道了怎么取划分每个TAG。接下来我们就看TAG的具体内容:
tag的内容
前面已经提到tag分3种。我们一个个看
script
脚本Tag一般只有一个，是flv的第一个Tag，用于存放flv的信息，比如duration、audiodatarate、creator、width等。 首先介绍下脚本的数据类型。所有数据都是以数据类型+（数据长度）+数据的格式出现的，数据类型占1byte，数据长度看数据类型是否存在，后面才是数据。
一般来说，该Tag Data结构包含两个AMF包。AMF（Action Message Format）是Adobe设计的一种通用数据封装格式，在Adobe的很多产品中应用，简单来说，AMF将不同类型的数据用统一的格式来描述。第一个AMF包封装字符串类型数据，用来装入一个“onMetaData”标志，这个标志与Adobe的一些API调用有，在此不细述。第二个AMF包封装一个数组类型(srs返回为object类型)，这个数组中包含了音视频信息项的名称和值。具体说明如下
| 值 | 类型 | 说明 |
| 0 | Number type | 8 Bypte Double |
| 1 | Boolean type | 1 Bypte bool |
| 2 | String type | 后面2个字节为长度 |
| 3 | Object type | |
| 4 | MovieClip type | |
| 5 | Null type | |
| 6 | Undefined type | |
| 7 | Reference type | |
| 8 | ECMA array type | 数组,类似Map |
| 10 | Strict array type | |
| 11 | Date type | |
| 12 | Long string type | 后面4个字节为长度 |
上图为第一个AMF包
- type=0x02对应String
- size=0A=10
- value=onMetaData 正好是10个字节。
上图为第二个AMF
- type=0x08 对应ECMA array type。
表示数组，类似Map。后面4个字节为数组的个数。然后是键值对，第一个为键，2个字节为长度。后面跟具体的内容。接着3个字节表示值的类型，然后根据类型判断长度。 上图我们可以判断，总共有13个键值对。 第一个长度为8个字节是duration。值类型是0x004073，第一个字节是00，所以是double，8个字节。 第二个长度5个字节是width。值也是double类型，8个字节。 依次解析下去...
Audio
视频中第二个tag为音频tag
stream-id之后:
- 前4位为音频格式
| 值 | 类型 |
| 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 |
| 11 | Speex |
| 14 | MP3 8-Khz |
| 15 | Device-specific sound |
- 接着2位为采样率(对于AAC总是3)
| 值 | 类型 |
| 0 | 5.5-kHz |
| 1 | 11-kHz |
| 2 | 22-kHz |
| 3 | 44-kHz |
- 接着1位为采样的长度(压缩过的音视频都是16bit)
| 值 | 类型 |
| 0 | snd8Bit |
| 1 | snd16Bit |
- 接着1位为音频类型(对于AAC总是1)
| 值 | 类型 |
| 0 | sndMono |
| 1 | sndStereo |
video
由于kobe视频音频编码是pcm,查找视频tag太难,使用<<东风破>> mv视频
- type=0x09=9。这里应该是一个video。
- size=0x000030=48。长度为48。
- timestreamp=0x000000。
- TimestampExtended =0x00。
- stream id =0x000000
我们看到数据部分： 视频信息+数据 视频信息，1个字节。
StreamId之后的数据就表示是VideoTagHeader,如果是avc,VideoTagHeader会多出4个字节的信息就是AVCPacketType和CompositionTime
- 前4位为帧类型Frame Type
| 值 | 类型 |
| 1 | keyframe (for AVC, a seekable frame) 关键帧 |
| 2 | inter frame (for AVC, a non-seekable frame) |
| 3 | disposable inter frame (H.263 only) |
| 4 | generated keyframe (reserved for server use only) |
| 5 | video info/command frame |
- 后4位为编码ID (CodecID)
| 值 | 类型 |
| 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 |
特殊情况 视频的格式(CodecID)是AVC（H.264）的话，VideoTagHeader会多出4个字节的信息，AVCPacketType 和CompositionTime。
- AVCPacketType 占1个字节
| 值 | 类型 |
| 0 | AVCDecoderConfigurationRecord(AVC sequence header) |
| 1 | AVC NALU |
| 2 | AVC end of sequence (lower level NALU sequence ender is not required or supported) |
AVCDecoderConfigurationRecord.包含着是H.264解码相关比较重要的sps和pps信息，再给AVC解码器送数据流之前一定要把sps和pps信息送出，否则的话解码器不能正常解码。而且在解码器stop之后再次start之前，如seek、快进快退状态切换等，都需要重新送一遍sps和pps的信息.AVCDecoderConfigurationRecord在FLV文件中一般情况也是出现1次，也就是第一个video tag.
- CompositionTime 占3个字节
| 条件 | 值 |
| AVCPacketType ==1 | Composition time offset |
| AVCPacketType !=1 | 0 |
再看到第二个video tag
我们看到 AVCPacketType =1，而后面三个字节为000043。这是一个视频帧数据。 解析到的数据完全符合上面的理论。
sps pps 前面我们提到第一个video 一般存放的是sps和pps。这里我们具体解析下sps和pps内容。先看下存储的格）：
0x01+sps[1]+sps[2]+sps[3]+0xFF+0xE1+sps size+sps+01+pps size+pps
sps[1]=0x64 sps[2]=00 sps[3]=0D sps size=0x001B=27(占两个字节) 跳过27个字节后，是0x01 pps size=0x0005=118(占两个字节) 跳过5个字节，就到了back-pointers。
视频帧数据 解析出sps和pps tag后，后面的video tag就是真正的视频数据内容了
这是第二个video tag其实和之前图一样，只是我圈出来关键信息。先看下格式 frametype=0x17=00010111 AVCPacketType =1 Composition Time=0x000043 后面就是NALU DATA
引用:
(原)从mp4,flv文件中解析出h264和aac,送解码器解码失败:,avc1与H264区别在这里其实有人遇到了和我一样的问题：stackoverflow.com/questions/1…
