作者： haodongyuan
文章介紹了M4A檔案的大概結構，詳細解讀了其中的Sample Table Box，并結合圖例，詳細講解了如何使用它來完成M4A檔案的随機通路。
本文屬原創作品，轉載請保留出處！
在講解M4A的随機通路之前，我們先來大概了解一下MP4檔案結構，以及MP4和M4A的關系。
整個MP4檔案由若幹個box組成，box可以嵌套。每個box包含自己的大小和類型等資訊，之後就是包含的内容，box也可以作為其内容，形成嵌套，如下圖所示：
圖檔來源
類似面向對象程式設計語言，box也有“繼承”的概念，所有box都繼承于Box類，其結構如下：
其中，size就是這個box的大小，包含所有字段（包括size自己）和它包含的box。type就是此box的類型，必須由四個英文字母表示。
有了這兩個值，就可以快速定位到某個box了。
另外一個常見的box是FullBox，stbl裡面的box都繼承于此類，其結構如下：
MP4規範中描述了非常多的box，不過最常用的到的其實隻有這些：
圖檔來源："MP4檔案格式的解析，以及MP4檔案的分割算法"
M4A可以了解為隻包含音頻的MP4，最初由Apple提出。
具體到Sample Table Box裡面差別，由于所有音頻幀都是同步幀，是以M4A沒有stss。至于有沒有elst，還沒有找到任何規範說明M4A是否存在elst，但是從faad解碼庫的源碼裡面找不到任何elst相關邏輯，是以本文将不讨論elst。
現在進入主題：在MP4中，如何進行随機通路。
在MP4中，一個軌道一定并且隻會存在一個Sample Table Box，簡寫為stbl。它的官方定義如下：它包含一個軌道中所有媒體采樣的時間-資料索引。說人話，它的主要功能就是：将時間轉換成對應采樣在檔案中的位置。
這對流媒體播放是至關重要的。比如說，在流媒體播放中，如果使用者seek（既拖動進度條）到了1:50處，如果1:50的資料還沒有被緩沖，就需要我們馬上從這裡開始緩沖。
那麼問題來了：如何知道1:50對應的資料在檔案中哪個位置呢？
一個簡單的方法就是用平均碼率來計算：
如果歌曲是恒定碼率（CBR），并且頭不大的話，用這個方法計算offset，再加上一些補償，也是可行的。
如果想更精确地計算offset，就必須使用Sample Table Box，既stbl。
stbl裡面包含很多box，有必需，也有可選的。這裡對必需的進行詳細講解，可選的隻做簡單介紹。
首先來看一下如何找到stbl，以及它包含哪些子box：
圖檔來源："MP4檔案elst研究"
然後，我用僞代碼描述一下完整的流程：
其中，必需的box有：stts、stsc、stco或co64其中一個、stsz，一共四個。可選的box有：elst、stss。
接下來，我們來看下上面僞代碼中各個操作的意義。
MP4内部的使用的時間機關不是秒、毫秒等實體意義上的時間機關，要經過以下轉換：
其中，timeScale的含義是：一秒内流過多少個時間機關，對于音頻，就是每秒采樣率，對于視訊，就是每秒幀率。
如果trak中存在elst，事情就有些複雜了，它的出現，說明MP4中的某條軌道的時間戳有偏移，比如視訊比音頻慢10s，或者某一幀畫面停留一段時間等等。
這裡不做詳解，有興趣的話，可以參考：link和link，使用方法可以參考ffmpeg的代碼，見mov.c的mov_build_index方法。
這個box儲存了sample序号和對應的播放時間資訊。其中，播放時間通過內插補點的方式進行儲存，以減少box的大小。
它的結構如下：
一個entry就像這樣：
Sample Count
Sample-delta
14
10
說明這個entry包含14個sample。每個sample的時間相差10個時間機關。
如果整個stts隻有這一個entry，那麼就很容易計算出：
當time < 14 * 10 時，sample = time / 10
當time >= 14 * 10 時，sample = 14（因為總共隻有14個sample）
以此類推即可得出任意entry時的算法。
這是一個可選的box，如果stbl中不存在此box，說明每一個sample都是同步的。否則就要通過此box查找同步sample。
每一個音頻sample都是同步sample，是以M4A不會存在stss。
查找方法很簡單，用二分法查找即可。
在繼續之前，有必要先來介紹一下，在MP4中，媒體資料是如何儲存的。
所有chunk位于mdat中，每個chunk大小可以不一樣，其中包含的每個sample也可以有不同大小。
一個chunk中包含一個軌道的若幹個連續sample。不同軌道的chunk交錯存放。
如下圖所示，chunk1包含軌道1的4個連續sample，chunk2包含軌道2的4個連續采樣。
stsc用于查詢sample所在的chunk。它的結構是這樣的：
舉個例子，比如stsc包含兩個entry：
first_chunk
samples_per_chunk
sample_description_index
1
不關心
50
20
說明第1個到第49個chunk，每個chunk都包含10個sample，第50個以及之後的chunk，每個chunk包含20個sample。如下圖所示：
這樣就可以計算出sample所在的chunk了，比如sample 490位于chunk 49第一個sample，sample 499位于chunk 49最末，sample 500剛好位于chunk 50的第一個sample。如下圖：
得到chunk序号之後，用stco或者co64，可以計算出該chunk在檔案中的位置。co64其實就是stco的64位版本，使用方式是一樣的，兩者隻能同時存在一個。
這個box包含每個chunk相對檔案開頭的偏移，結構如下：
使用方法很簡單，用chunk的序号去chunk_offset數組裡面取就行。如下圖：
注意，上面得到chunk的序号是從1開始的，去數組裡面取的時候注意減一。
這個box包含sample的大小資訊。它的結構如下：
sample大小不一定是固定的，如果是固定的，sample_size就不為0；否則，每個sample的大小儲存在entry_size數組裡面。
比如有這樣一個stsz box，它的sample_size為0，entry_size中記錄每個sample在所屬chunk内部的偏移：
在第5步（stsc的使用）中，我們擷取到了sample所屬chunk的序号，以及chunk第一個sample的序号，通過stsz，就可以獲得該sample在所處chunk内部的偏移。
比如要計算sample 497的内部偏移，需要從497所屬chunk的第一個sample（在這裡是490）開始，将偏移累加起來：
看到這裡，你是否會想到：既然stsz包含了所有sample的大小，僅通過sample大小就可以計算出對應的偏移，不再需要計算chunk偏移了。 但不要忘了：chunk是按照不同軌道交錯排列的，而且即便隻有一個軌道，每個chunk自身頭部的大小也不能忽略。
chunk的偏移加上sample在目前chunk内的偏移，就是sample的完整偏移了。如下圖：
box的解析比較簡單，讀取前8個位元組，其中前4個位元組為box大小，後4個為類型，知道類型後，按照類型定義的字段按序讀取即可。
其中有兩點需要注意：
将byte[]轉換成int時，使用大端序
解析多個數組時，要“交錯”地解析，比如stts，應該這樣解析：for (uint8 i = 0; i < entry_count; i++) { sample_count[i] = readInt(); sample_delta[i] = readInt(); }
相對于Flac珍惜每一個bit的辦事風格，MP4還是比較慷慨的，是以解析起來比較友善。
而且，經過觀察，MP4的關鍵sample間隔僅在0.02s ~ 0.04s，作為比較，flac的seektable則是平均10s一個關鍵sample。
至于STBL所占大小，我觀察了幾個檔案，所占空間很小：
檔案大小（KB）
時長（S）
STBL大小（KB）
1319
209
19
1887
193
6.6
3550
333
61
由于文章隻關注M4A的随機通路，MP4中可見的elst、stss，ctts等等box就沒有解析了，如果對這方面有興趣，可以參考MP4的規範以及網上資料。
ISO/IEC 14496-12 (内容很多，其實隻看Appendix A就好了，對MP4檔案做了一個大緻的介紹，此外，第11、12頁是其中最常用的)
MP4檔案格式的解析，以及MP4檔案的分割算法
MP4檔案elst研究