FLV协议5分钟入门浅析

2019-08-12

FLV协议简介

FLV（Flash Video）是一种流媒体格式，因其体积小、协议相对简单，很快便流行开来，并得到广泛的支持。

常见的HTTP-FLV直播协议，就是使用HTTP流式传输通过FLV封装的音视频数据。对想要了解HTTP-FLV的同学来说，了解FLV协议很有必要。

概括地说，FLV 由 FLV header 跟 FLV file body 两部分组成，而 FLV file body 又由多个 FLV tag组成。

FLV = FLV header + FLV file body FLV file body = PreviousTagSize0 + Tag1 + PreviousTagSize1 + Tag2 + ... + PreviousTagSizeN-1 + TagN

FLV tag又分为3种类型：

Video Tag：存放视频相关数据；
Audio Tag：存放音频相关数据；
Script Tag：存放音视频元数据；

在实际讲解FLV协议前，首先对单位进行约定：

类型定义0x...16进制数据SI8有符号8位整数SI16有符号16位整数SI24有符号24位整数SI32有符号32位整数STRINGSequence of Unicode 8-bit characters (UTF-8), terminated with 0x00 (unless otherwise specified)UI8无符号8位整数UI16无符号16位整数UI24无符号24位整数UI32无符号32位整数xxx [ ]类型为xxx的数组xxx [n]类型为xxx的数组，数组长度为n

FLV header

FLV header由如下字段组成，其中：

前三个字节内容固定是FLV
最后4个字节内容固定是9（对FLV版本1来说）

字段字段类型字段含义SignatureUI8签名，固定为'F' (0x46)SignatureUI8签名，固定为'L' (0x4c)SignatureUI8签名，固定为'V' (0x56)VersionUI8版本，比如 0x01 表示 FLV 版本 1TypeFlagsReservedUB[5]全为0TypeFlagsAudioUB[1]1表示有audio tag，0表示没有TypeFlagsReservedUB[1]全为0TypeFlagsVideoUB[1]1表示有video tag，0表示没有DataOffsetUI32FLV header的大小，单位是字节

FLV file body

FLV file body很有规律，由一系列的TagSize和Tag组成，其中：

PreviousTagSize0 总是为0；
tag 由tag header、tag body组成；
对FLV版本1，tag header固定为11个字节，因此，PreviousTagSize（除第1个）的值为 11 + 前一个tag 的 tag body的大小；

字段字段类型字段含义PreviousTagSize0UI32总是0Tag1FLVTAG第1个tagPreviousTagSize1UI32前一个tag的大小，包括tag headerTag2FLVTAG第2个tag.........PreviousTagSizeN-1UI32第N-1个tag的大小TagNFLVTAG第N个tagPreviousTagSizeNUI32第N个tag的大小，包含tag header

FLV tags

FLV tag由 tag header + tag body组成。

tag header如下，总共占据11个字节：

字段字段类型字段含义TagTypeUI8tag类型

8：audio

9：video

18：script data

其他：保留DataSizeUI24tag body的大小TimestampUI24相对于第一个tag的时间戳（单位是毫秒）

第一个tag的Timestamp为0TimestampExtendedUI8时间戳的扩展字段，当 Timestamp 3个字节不够时，会启用这个字段，代表高8位StreamIDUI24总是0Data取决于根据TagTypeTagType=8，则为AUDIODATA

TagType=9，则为VIDEODATA

TagType=18，则为SCRIPTDATAOBJECT

In playback, the time sequencing of FLV tags depends on the FLV timestamps only. Any timing mechanisms built into the payload data format are ignored.

Audio tags

定义如下所示：

字段字段类型字段含义SoundFormatUB[4]音频格式，重点关注 **10 = AAC **

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

SoundRateUB[2]采样率，对AAC来说，永远等于3

0 = 5.5-kHz

1 = 11-kHz

2 = 22-kHz

3 = 44-kHzSoundSizeUB[1]采样精度，对于压缩过的音频，永远是16位

0 = snd8Bit

1 = snd16BitSoundTypeUB[1]声道类型，对Nellymoser来说，永远是单声道；对AAC来说，永远是双声道；

0 = sndMono 单声道

1 = sndStereo 双声道SoundDataUI8[size of sound data]如果是AAC，则为 AACAUDIODATA；

其他请参考规范；

备注：

If the SoundFormat indicates AAC, the SoundType should be set to 1 (stereo) and the SoundRate should be set to 3 (44 kHz). However, this does not mean that AAC audio in FLV is always stereo, 44 kHz data. Instead, the Flash Player ignores these values and extracts the channel and sample rate data is encoded in the AAC bitstream.

AACAUDIODATA

当 SoundFormat 为10时，表示音频采AAC进行编码，此时，SoundData的定义如下：

字段字段类型字段含义AACPacketTypeUI80: AAC sequence header

1: AAC rawDataUI8[n]如果AACPacketType为0，则为AudIOSpecificConfig

如果AACPacketType为1，则为AAC帧数据

The AudioSpecificConfig is explained in ISO 14496-3. Note that it is not the same as the contents of the esds box from an MP4/F4V file. This structure is more deeply embedded.

关于AudioSpecificConfig

伪代码如下：参考这里

5 bits: object type
if (object type == 31)
 6 bits + 32: object type
4 bits: frequency index
if (frequency index == 15)
 24 bits: frequency
4 bits: channel configuration
var bits: AOT Specific Config
复制代码

定义如下：

字段字段类型字段含义AudioObjectTypeUB[5]编码器类型，比如2表示AAC-LCSamplingFrequencyIndexUB[4]采样率索引值，比如4表示44100SamplingFrequencyIndexUB[4]采样率索引值，比如4表示44100ChannelConfigurationUB[4]声道配置，比如2代表双声道，front-left, front-right

Video tags

定义如下：

字段字段类型字段含义FrameTypeUB[4]重点关注1、2：

1: keyframe (for AVC, a seekable frame) —— 即H.264的IDR帧；

2: inter frame (for AVC, a non- seekable frame) —— H.264的普通I帧；

3: disposable inter frame (H.263 only)

4: generated keyframe (reserved for server use only)

5: video info/command frameCodecIDUB[4]编解码器，主要关注 7（AVC）

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: AVCVideoData取决于CodecID实际的媒体类型，主要关注 7:AVCVIDEOPACKE

2: H263VIDEOPACKET

3: SCREENVIDEOPACKET

4: VP6FLVVIDEOPACKET

5: VP6FLVALPHAVIDEOPACKET

6: SCREENV2VIDEOPACKET

7: AVCVIDEOPACKE

AVCVIDEOPACKE

当 CodecID 为 7 时，VideoData 为 AVCVIDEOPACKE，也即 H.264媒体数据。

AVCVIDEOPACKE 的定义如下：

字段字段类型字段含义AVCPacketTypeUI80: AVC sequence header

1: AVC NALU

2: AVC end of sequenceCompositionTimeSI24如果AVCPacketType=1，则为时间cts偏移量；否则，为0DataUI8[n]1、如果如果AVCPacketType=1，则为AVCDecoderConfigurationRecord

2、如果AVCPacketType=1=2，则为NALU（一个或多个）

3、如果AVCPacketType=2，则为空

这里有几点稍微解释下：

NALU：H.264中，将数据按照特定规则格式化后得到的抽象逻辑单元，称为NALU。这里的数据既包括了编码后的视频数据，也包括视频解码需要用到的参数集（PPS、SPS）。
AVCDecoderConfigurationRecord：H.264 视频解码所需要的参数集（SPS、PPS）
CTS：当B帧的存在时，视频解码呈现过程中，dts、pts可能不同，cts的计算公式为 pts - dts/90，单位为毫秒；如果B帧不存在，则cts固定为0；

PPS、SPS这里先不展开。

Script Data Tags

Script Data Tags通常用来存放跟FLV中音视频相关的元数据信息（onMetaData），比如时长、长度、宽度等。它的定义相对复杂些，采用AMF（Action Message Format）封装了一系列数据类型，比如字符串、数值、数组等。

字段字段类型字段含义ObjectsSCRIPTDATAOBJECT[]任意数目的 SCRIPTDATAOBJECTSCRIPTDATAOBJECTENDUI24永远是9，标识着Script Data的结束

SCRIPTDATAOBJECT 定义如下：

字段字段类型字段含义ObjectNameSCRIPTDATASTRING对象的名字ObjectDataSCRIPTDATAVALUE对象的值

SCRIPTDATAVALUE 的定义如下：

字段字段类型字段含义TypeSCRIPTDATASTRING变量类型：

0 = Number type

1 = Boolean type

2 = String type

3 = Object type

4 = MovieClip type

5 = Null type

6 = Undefined type

7 = Reference type 8 = ECMA array type 10 = Strict array type 11 = Date type

12 = Long string typeECMAArrayLength如果Type为8（数组），则为UI32数组长度ScriptDataValueIf Type == 0 DOUBLE

If Type == 1 UI8

If Type == 2 SCRIPTDATASTRING

...（有点长，可以参考规范）变量的值ScriptDataValueTerminator如果Type==3，则为SCRIPTDATAOBJECTEND

如果 Type==8，则为SCRIPTDATAVARIABLEENDObject、Array的结束符

可以看到，Script Data Tag 的定义相对复杂，下面通过onMetaData进行进一步讲解。

onMetaData

onMetaData中包含了音视频相关的元数据，封装在Script Data Tag中，它包含了两个AMF。

第一个AMF：

第1个字节：0x02，表示字符串类型
第2-3个字节：UI16类型，值为0x000A，表示字符串的长度为10（onMetaData的长度）；
第4-13个字节：字符串onMetaData对应的16进制数字（0x6F 0x6E 0x4D 0x65 0x74 0x61 0x44 0x61 0x74 0x61）；

第二个AMF：

第1个字节：0x08，表示数组类型；
第2-5个字节：UI32类型，表示数组的长度，onMetaData中具体包含哪些属性是不固定的。
第6个字节+：比如duration，则：
第6-9个字节：0x0008，表示长度为8个字节；
第10-17个字节：0x6475 7261 7469，表示 duration 这个字符串；
第18个字节：0x00，表示为数值类型；
第19-26个字节：0x...，表示具体的时长；

更多onMetaData字段的定义：

字段字段类型字段含义durationDOUBLE文件的时长widthDOUBLE视频宽度（px）heightDOUBLE视频高度（px）videodatarateDOUBLE视频比特率（kb/s）framerateDOUBLE视频帧率（帧/s）videocodecidDOUBLE视频编解码器ID（参考Video Tag）audiosamplerateDOUBLE音频采样率audiosamplesizeDOUBLE音频采样精度（参考Audio Tag）stereoBOOL是否立体声audiocodecidDOUBLE音频编解码器ID（参考Audio Tag）filesizeDOUBLE文件总得大小（字节）

写在后面

FLV协议本身不算复杂，理解上的困难，更多时候来自音视频编解码相关的知识，比如H.264、AAC相关知识，建议不懂的时候自行查下。此外，FLV的字节序为大端序，在做协议解析的时候一定要注意。

本文为讲解方便，部分内容可能不够严谨，如有错漏敬请指出。