目前MP4的概念被炒得很火，也很亂。最開始MP4指的是音頻（MP3的更新版），即MPEG-2 AAC标準。随後MP4概念被轉移到視訊上，對應的是MPEG-4标準。而現在我們流行的叫法，多半是指能播放MPEG-4标準編碼格式視訊的播放器。但是這篇文章介紹的内容跟上面這些都無關，我們要讨論的是MP4檔案封裝格式，對應的标準為ISO/IEC 14496-12，即資訊技術 視聽對象編碼的第12部分：ISO 基本媒體檔案格式（Information technology Coding of audio-visual objects Part 12: ISO base media file format）。ISO/IEC組織指定的标準一般用數字表示，ISO/IEC 14496即MPEG-4标準。
MP4視訊檔案封裝格式是基于QuickTime容器格式定義的，是以參考QuickTime的格式定義對了解MP4檔案格式很有幫助。MP4檔案格式是一個十分開放的容器，幾乎可以用來描述所有的媒體結構，MP4檔案中的媒體描述與媒體資料是分開的，并且媒體資料的組織也很自由，不一定要按照時間順序排列，甚至媒體資料可以直接引用其他檔案。同時，MP4也支援流媒體。MP4目前被廣泛用于封裝h.264視訊和AAC音頻，是高清視訊的代表。
現在我們就來看看MP4檔案格式到底是什麼樣的。
1、概述
MP4檔案中的所有資料都裝在box（QuickTime中為atom）中，也就是說MP4檔案由若幹個box組成，每個box有類型和長度，可以将box了解為一個資料對象塊。box中可以包含另一個box，這種box稱為container box。一個MP4檔案首先會有且隻有一個“ftyp”類型的box，作為MP4格式的标志并包含關于檔案的一些資訊；之後會有且隻有一個“moov”類型的box（Movie Box），它是一種container box，子box包含了媒體的metadata資訊；MP4檔案的媒體資料包含在“mdat”類型的box（Midia Data Box）中，該類型的box也是container box，可以有多個，也可以沒有（當媒體資料全部引用其他檔案時），媒體資料的結構由metadata進行描述。
下面是一些概念：
track 表示一些sample的集合，對于媒體資料來說，track表示一個視訊或音頻序列。
hint track 這個特殊的track并不包含媒體資料，而是包含了一些将其他資料track打包成流媒體的訓示資訊。
sample 對于非hint track來說，video sample即為一幀視訊，或一組連續視訊幀，audio sample即為一段連續的壓縮音頻，它們統稱sample。對于hint track，sample定義一個或多個流媒體包的格式。
sample table 指明sampe時序和實體布局的表。
chunk 一個track的幾個sample組成的單元。
在本文中，我們不讨論涉及hint的内容，隻關注包含媒體資料的本地MP4檔案。下圖為一個典型的MP4檔案的結構樹。
2、Box
首先需要說明的是，box中的位元組序為網絡位元組序，也就是大端位元組序（Big-Endian），簡單的說，就是一個32位的4位元組整數存儲方式為高位位元組在記憶體的低端。Box由header和body組成，其中header統一指明box的大小和類型，body根據類型有不同的意義和格式。
标準的box開頭的4個位元組（32位）為box size，該大小包括box header和box body整個box的大小，這樣我們就可以在檔案中定位各個box。如果size為1，則表示這個box的大小為large size，真正的size值要在largesize域上得到。（實際上隻有“mdat”類型的box才有可能用到large size。）如果size為0，表示該box為檔案的最後一個box，檔案結尾即為該box結尾。（同樣隻存在于“mdat”類型的box中。）
size後面緊跟的32位為box type，一般是4個字元，如“ftyp”、“moov”等，這些box type都是已經預定義好的，分别表示固定的意義。如果是“uuid”，表示該box為使用者擴充類型。如果box type是未定義的，應該将其忽略。
3、File Type Box（ftyp）
該box有且隻有1個，并且隻能被包含在檔案層，而不能被其他box包含。該box應該被放在檔案的最開始，訓示該MP4檔案應用的相關資訊。
“ftyp” body依次包括1個32位的major brand（4個字元），1個32位的minor version（整數）和1個以32位（4個字元）為機關元素的數組compatible brands。這些都是用來訓示檔案應用級别的資訊。該box的位元組執行個體如下：
4、Movie Box（moov）
該box包含了檔案媒體的metadata資訊，“moov”是一個container box，具體内容資訊由子box诠釋。同File Type Box一樣，該box有且隻有一個，且隻被包含在檔案層。一般情況下，“moov”會緊随“ftyp”出現。
一般情況下（限于篇幅，本文隻講解常見的MP4檔案結構），“moov”中會包含1個“mvhd”和若幹個“trak”。其中“mvhd”為header box，一般作為“moov”的第一個子box出現（對于其他container box來說，header box都應作為首個子box出現）。“trak”包含了一個track的相關資訊，是一個container box。下圖為部分“moov”的位元組執行個體，其中紅色部分為box header，綠色為“mvhd”，黃色為一部分“trak”。
4.1 Movie Header Box（mvhd）
“mvhd”結構如下表。
字段
位元組數
意義
box size
4
box大小
box type
box類型
version
1
box版本，0或1，一般為0。（以下位元組數均按version=0）
flags
3
creation time
建立時間（相對于UTC時間1904-01-01零點的秒數）
modification time
修改時間
time scale
檔案媒體在1秒時間内的刻度值，可以了解為1秒長度的時間單元數
duration
該track的時間長度，用duration和time scale值可以計算track時長，比如audio track的time scale = 8000, duration = 560128，時長為70.016，video track的time scale = 600, duration = 42000，時長為70
rate
推薦播放速率，高16位和低16位分别為小數點整數部分和小數部分，即[16.16] 格式，該值為1.0（0x00010000）表示正常前向播放
volume
2
與rate類似，[8.8] 格式，1.0（0x0100）表示最大音量
reserved
10
保留位
matrix
36
視訊變換矩陣
pre-defined
24
next track id
下一個track使用的id号
“mvhd”的位元組執行個體如下圖，各字段已經用顔色區分開：
4.2 Track Box（trak）
“trak”也是一個container box，其子box包含了該track的媒體資料引用和描述（hint track除外）。一個MP4檔案中的媒體可以包含多個track，且至少有一個track，這些track之間彼此獨立，有自己的時間和空間資訊。“trak”必須包含一個“tkhd”和一個“mdia”，此外還有很多可選的box（略）。其中“tkhd”為track header box，“mdia”為media box，該box是一個包含一些track媒體資料資訊box的container box。
“trak”的部分位元組執行個體如下圖，其中黃色為“trak”box的頭，綠色為“tkhd”，藍色為“edts”（一個可選box），紅色為一部分“mdia”。
4.2.1 Track Header Box（tkhd）
“tkhd”結構如下表。
按位或操作結果值，預定義如下：
0x000001 track_enabled，否則該track不被播放；
0x000002 track_in_movie，表示該track在播放中被引用；
0x000004 track_in_preview，表示該track在預覽時被引用。
一般該值為7，如果一個媒體所有track均未設定track_in_movie和track_in_preview，将被了解為所有track均設定了這兩項；對于hint track，該值為0
track id
id号，不能重複且不能為0
track的時間長度
8
layer
視訊層，預設為0，值小的在上層
alternate group
track分組資訊，預設為0表示該track未與其他track有群組關系
[8.8] 格式，如果為音頻track，1.0（0x0100）表示最大音量；否則為0
width
寬
height
高，均為 [16.16] 格式值，與sample描述中的實際畫面大小比值，用于播放時的展示寬高
“tkhd”的位元組執行個體如下圖，各字段已經用顔色區分開：
4.2.2 Media Box（mdia）
“mdia”也是個container box，其子box的結構和種類還是比較複雜的。先來看一個“mdia”的執行個體結構樹圖。
總體來說，“mdia”定義了track媒體類型以及sample資料，描述sample資訊。一般“mdia”包含一個“mdhd”，一個“hdlr”和一個“minf”，其中“mdhd”為media header box，“hdlr”為handler reference box，“minf”為media information box。下面依次看一下這幾個box的結構。
4.2.2.1 Media Header Box（mdhd）
“mdhd”結構如下表。
同前表
language
媒體語言碼。最高位為0，後面15位為3個字元（見ISO 639-2/T标準中定義）
“mdhd”的位元組執行個體如下圖，各字段已經用顔色區分開：
4.2.2.2 Handler Reference Box（hdlr）
“hdlr”解釋了媒體的播放過程資訊，該box也可以被包含在meta box（meta）中。“hdlr”結構如下表。
handler type
在media box中，該值為4個字元：
“vide”— video track
“soun”— audio track
“hint”— hint track
12
name
不定
track type name，以‘\0’結尾的字元串
“hdlr”的位元組執行個體如下圖，各字段已經用顔色區分開：
4.2.2.3 Media Information Box（minf）
“minf”存儲了解釋track媒體資料的handler-specific資訊，media handler用這些資訊将媒體時間映射到媒體資料并進行處理。“minf”中的資訊格式和内容與媒體類型以及解釋媒體資料的media handler密切相關，其他media handler不知道如何解釋這些資訊。“minf”是一個container box，其實際内容由子box說明。
一般情況下，“minf”包含一個header box，一個“dinf”和一個“stbl”，其中，header box根據track type（即media handler type）分為“vmhd”、“smhd”、“hmhd”和“nmhd”，“dinf”為data information box，“stbl”為sample table box。下面分别介紹。
下圖為“minf”部分位元組執行個體，其中紅色為box header，藍色為“smhd”，綠色為“dinf”，黃色為一部分“stbl”。
4.2.2.3.1 Media Information Header Box（vmhd、smhd、hmhd、nmhd）
Video Media Header Box（vmhd）
graphics mode
視訊合成模式，為0時拷貝原始圖像，否則與opcolor進行合成
opcolor
2×3
｛red，green，blue｝
Sound Media Header Box（smhd）
balance
立體聲平衡，[8.8] 格式值，一般為0，-1.0表示全部左聲道，1.0表示全部右聲道
Hint Media Header Box（hmhd）
略
Null Media Header Box（nmhd）
非視音頻媒體使用該box，略。
4.2.2.3.2 Data Information Box（dinf）
“dinf”解釋如何定位媒體資訊，是一個container box。“dinf”一般包含一個“dref”，即data reference box；“dref”下會包含若幹個“url”或“urn”，這些box組成一個表，用來定位track資料。簡單的說，track可以被分成若幹段，每一段都可以根據“url”或“urn”指向的位址來擷取資料，sample描述中會用這些片段的序号将這些片段組成一個完整的track。一般情況下，當資料被完全包含在檔案中時，“url”或“urn”中的定位字元串是空的。
“dref”的位元組結構如下表。
entry count
“url”或“urn”表的元素個數
“url”或“urn”清單
“url”或“urn”都是box，“url”的内容為字元串（location string），“urn”的内容為一對字元串（name string and location string）。當“url”或“urn”的box flag為1時，字元串均為空。
下面是一個“dinf”的位元組執行個體圖。其中黃色為“dinf”的box header，由紅色部分我們知道包含的“url”或“urn”個數為1，紅色後面為“url”box的内容。紫色為“url”的box header（根據box type我們知道是個“url”），綠色為box flag，值為1，說明“url”中的字元串為空，表示track資料已包含在檔案中。
4.2.2.3.3 Sample Table Box（stbl）
“stbl”幾乎是普通的MP4檔案中最複雜的一個box了，首先需要回憶一下sample的概念。sample是媒體資料存儲的機關，存儲在media的chunk中，chunk和sample的長度均可互不相同，如下圖所示。
“stbl”包含了關于track中sample所有時間和位置的資訊，以及sample的編解碼等資訊。利用這個表，可以解釋sample的時序、類型、大小以及在各自存儲容器中的位置。“stbl”是一個container box，其子box包括：sample description box（stsd）、time to sample box（stts）、sample size box（stsz或stz2）、sample to chunk box（stsc）、chunk offset box（stco或co64）、composition time to sample box（ctts）、sync sample box（stss）等。
“stsd”必不可少，且至少包含一個條目，該box包含了data reference box進行sample資料檢索的資訊。沒有“stsd”就無法計算media sample的存儲位置。“stsd”包含了編碼的資訊，其存儲的資訊随媒體類型不同而不同。
Sample Description Box（stsd）
box header和version字段後會有一個entry count字段，根據entry的個數，每個entry會有type資訊，如“vide”、“sund”等，根據type不同sample description會提供不同的資訊，例如對于video track，會有“VisualSampleEntry”類型資訊，對于audio track會有“AudioSampleEntry”類型資訊。
視訊的編碼類型、寬高、長度，音頻的聲道、采樣等資訊都會出現在這個box中。
Time To Sample Box（stts）
“stts”存儲了sample的duration，描述了sample時序的映射方法，我們通過它可以找到任何時間的sample。“stts”可以包含一個壓縮的表來映射時間和sample序号，用其他的表來提供每個sample的長度和指針。表中每個條目提供了在同一個時間偏移量裡面連續的sample序号，以及samples的偏移量。遞增這些偏移量，就可以建立一個完整的time to sample表。
Sample Size Box（stsz）
“stsz” 定義了每個sample的大小，包含了媒體中全部sample的數目和一張給出每個sample大小的表。這個box相對來說體積是比較大的。
Sample To Chunk Box（stsc）
用chunk組織sample可以友善優化資料擷取，一個thunk包含一個或多個sample。“stsc”中用一個表描述了sample與chunk的映射關系，檢視這張表就可以找到包含指定sample的thunk，進而找到這個sample。
Sync Sample Box（stss）
“stss”确定media中的關鍵幀。對于壓縮媒體資料，關鍵幀是一系列壓縮序列的開始幀，其解壓縮時不依賴以前的幀，而後續幀的解壓縮将依賴于這個關鍵幀。“stss”可以非常緊湊的标記媒體内的随機存取點，它包含一個sample序号表，表内的每一項嚴格按照sample的序号排列，說明了媒體中的哪一個sample是關鍵幀。如果此表不存在，說明每一個sample都是一個關鍵幀，是一個随機存取點。
Chunk Offset Box（stco）
“stco”定義了每個thunk在媒體流中的位置。位置有兩種可能，32位的和64位的，後者對非常大的電影很有用。在一個表中隻會有一種可能，這個位置是在整個檔案中的，而不是在任何box中的，這樣做就可以直接在檔案中找到媒體資料，而不用解釋box。需要注意的是一旦前面的box有了任何改變，這張表都要重建立立，因為位置資訊已經改變了。
5、Free Space Box（free或skip）
“free”中的内容是無關緊要的，可以被忽略。該box被删除後，不會對播放産生任何影響。
6、Meida Data Box（mdat）
該box包含于檔案層，可以有多個，也可以沒有（當媒體資料全部為外部檔案引用時），用來存儲媒體資料。資料直接跟在box type字段後面，具體資料結構的意義需要參考metadata（主要在sample table中描述）。
普通MP4檔案的結構就講完了，可能會比較亂，下面這張圖是常見的box的樹結構圖，可以用來大緻了解MP4檔案的構造。
這篇文章主要面向一些對MP4檔案結構沒有太多了解的初學者，算是篇比較初級的文章，本人也是參考了一些資料寫出來的，對于MP4檔案中涉及的一些概念沒有太深入的了解，是以其中應該是有一些錯誤了解，希望大家抱着批判的眼光讀這篇文章。如果有錯誤的地方，還請大家不吝賜教。