不再碎片化學習，快速掌握 H5 直播技術

villainthr發表於2019-02-12
H5

現在，大多數已工作的前端工作者的學習方式，要麼直接到 Stackoverflow 上搜程式碼，要麼直接看看相關博文。這樣是快，但是零零碎碎只是一個一個孤立的知識點而已。有可能一下午都忘記了，唯一可能記住的收藏一下那個文章，然後就徹底躺屍了。那有沒有啥更好的辦法能解決呢？

當然有，第一，有時間，第二，有人指導，第三，找對資料。

這其實和看書是一樣的，一本書，最有價值的地方不在它的內容或者作者，而在於它的目錄，是否真正的打動你。如果只是出現一些模糊而沒有落地技術的目錄的書籍，還是別再上面浪費時間了。

所以，本文主要給大家介紹一下當下 HTML5 直播所涵蓋的技術範圍，如果要深度學習每一個技術，我們後續可以繼續討論。

直播協議

直播是 16 年搭著短視訊熱火起來的。它的業務場景有很多，有遊戲主播，才藝主播，網上教學，群體實驗（前段時間，有人直播讓觀眾來炒股）等等。不過，根據技術需求的劃分，還可以分為低延遲和高延遲的直播，這裡就主要是協議選擇的問題。

現在，常用的直播協議有很多種，比如 RTMP，HLS，HTTP-FLV。不過，最常用的還是 HLS 協議，因為支援度高，技術簡單，但是延遲非常嚴重。這對一些對實時性比較高的場景，比如運動賽事直播來說非常蛋疼。這裡，我們來細分的看一下每個協議。

HLS

HLS 全稱是 HTTP Live Streaming。這是 Apple 提出的直播流協議。（其實，Adobe 公司 FLV 播放器的沒落，蘋果也是幕後黑手之一。）

HLS 由兩部分構成，一個是 .m3u8 檔案，一個是 .ts 視訊檔案（TS 是視訊檔案格式的一種）。整個過程是，瀏覽器會首先去請求 .m3u8 的索引檔案，然後解析 m3u8，找出對應的 .ts 檔案連結，並開始下載。更加詳細的說明可以參考這幅圖：

image.png-93.1kB
image.png-93.1kB

他的使用方式為：

<video controls autoplay>  
    <source src="http://devimages.apple.com/iphone/samples/bipbop/masterplaylist.m3u8" type="application/vnd.apple.mpegurl" /> 
    <p class="warning">Your browser does not support HTML5 video.</p>  
</video>複製程式碼

直接可以將 m3u8 寫進 src 中，然後交由瀏覽器自己去解析。當然，我們也可以採取 fetch 來手動解析並獲取相關檔案。HLS 詳細版的內容比上面的簡版多了一個 playlist，也可以叫做 master。在 master 中，會根據網路段實現設定好不同的 m3u8 檔案，比如，3G/4G/wifi 網速等。比如，一個 master 檔案中為：

#EXTM3U
#EXT-X-VERSION:6
#EXT-X-STREAM-INF:PROGRAM-ID=1,BANDWIDTH=2855600,CODECS="avc1.4d001f,mp4a.40.2",RESOLUTION=960x540
live/medium.m3u8
#EXT-X-STREAM-INF:PROGRAM-ID=1,BANDWIDTH=5605600,CODECS="avc1.640028,mp4a.40.2",RESOLUTION=1280x720
live/high.m3u8
#EXT-X-STREAM-INF:PROGRAM-ID=1,BANDWIDTH=1755600,CODECS="avc1.42001f,mp4a.40.2",RESOLUTION=640x360
live/low.m3u8
#EXT-X-STREAM-INF:PROGRAM-ID=1,BANDWIDTH=545600,CODECS="avc1.42001e,mp4a.40.2",RESOLUTION=416x234
live/cellular.m3u8複製程式碼

大家只要關注 BANDWIDTH（頻寬）欄位，其他的看一下欄位內容大致就清楚了。假如這裡選擇 high.m3u8 檔案，那麼，裡面內容為：

#EXTM3U
#EXT-X-VERSION:6
#EXT-X-TARGETDURATION:10
#EXT-X-MEDIA-SEQUENCE:26
#EXTINF:9.901,
http://media.example.com/wifi/segment26.ts
#EXTINF:9.901,
http://media.example.com/wifi/segment27.ts
#EXTINF:9.501,
http://media.example.com/wifi/segment28.ts複製程式碼

注意，其中以 ts 結尾的連結就是我們在直播中真正需要播放的視訊檔案。該第二級的 m3u8 檔案也可以叫做 media 檔案。該檔案，其實有三種型別：

  • live playlist: 動態列表。顧名思義，該列表是動態變化的，裡面的 ts 檔案會實時更新，並且過期的 ts 索引會被刪除。預設，情況下都是使用動態列表。
#EXTM3U
#EXT-X-VERSION:6
#EXT-X-TARGETDURATION:10
#EXT-X-MEDIA-SEQUENCE:26
#EXTINF:9.901,
http://media.example.com/wifi/segment26.ts
#EXTINF:9.901,
http://media.example.com/wifi/segment27.ts
#EXTINF:9.501,
http://media.example.com/wifi/segment28.ts複製程式碼
  • event playlist: 靜態列表。它和動態列表主要區別就是，原來的 ts 檔案索引不會被刪除，該列表是不斷更新，而且檔案大小會逐漸增大。它會在檔案中，直接新增 #EXT-X-PLAYLIST-TYPE:EVENT 作為標識。
#EXTM3U
#EXT-X-VERSION:6
#EXT-X-TARGETDURATION:10
#EXT-X-MEDIA-SEQUENCE:0
#EXT-X-PLAYLIST-TYPE:EVENT
#EXTINF:9.9001,
http://media.example.com/wifi/segment0.ts
#EXTINF:9.9001,
http://media.example.com/wifi/segment1.ts
#EXTINF:9.9001,
http://media.example.com/wifi/segment2.ts複製程式碼
  • VOD playlist: 全量列表。它就是將所有的 ts 檔案都列在 list 當中。如果，使用該列表，就和播放一整個視訊沒有啥區別了。它是使用 #EXT-X-ENDLIST 表示檔案結尾。
#EXTM3U
#EXT-X-VERSION:6
#EXT-X-TARGETDURATION:10
#EXT-X-MEDIA-SEQUENCE:0
#EXT-X-PLAYLIST-TYPE:VOD
#EXTINF:9.9001,
http://media.example.com/wifi/segment0.ts
#EXTINF:9.9001,
http://media.example.com/wifi/segment1.ts
#EXTINF:9.9001,
http://media.example.com/wifi/segment2.ts
#EXT-X-ENDLIST複製程式碼

裡面相關欄位解釋可以參考: Apple HLS

HLS 缺陷

HLS 啥都好，就是延遲性太大了，估計蘋果一開始設計的時候，並不在乎它的延時性。HLS 中的延時包括：

  • TCP 握手
  • m3u8 檔案下載
  • m3u8 檔案下所有 ts 檔案下載

這裡，我們先假設每個 ts 檔案播放時長為 5s，每個 m3u8 最多可攜帶的 ts 檔案數為 3~8。那麼最大的延遲則為 40s。注意，只有當一個 m3u8 檔案下所有的 ts 檔案下載完後，才能開始播放。這裡還不包括 TCP 握手，DNS 解析，m3u8 檔案下載。所以，HLS 總的延時是非常令人絕望的。那解決辦法有嗎？ 有，很簡單，要麼減少每個 ts 檔案播放時長，要麼減少 m3u8 的中包含 ts 的數量。如果超過平衡點，那麼每次請求新的 m3u8 檔案時，都會加上一定的延時，所以，這裡需要根據業務指定合適的策略。當然，現在由於 mediaSource 的普及，自定義一個播放器也沒有多大的難度，這樣就可以保證直播延遲性的同時，完成直播的順利進行。

RTMP

RTMP 全稱為：Real-Time Messaging Protocol。它是基於 FLV 格式進行開發的，所以，第一反應就是，臥槽，又不能用了！！！

是的，在現在裝置中，由於 FLV 的不支援，基本上 RTMP 協議在 Web 中，根本用不到。不過，由於 MSE（MediaSource Extensions）的出現，在 Web 上直接接入 RTMP 也不是不可能的。基本思路是根據 WebSocket 直接建立長連線進行資料的交流和監聽。這裡，我們就先不細說了。我們主要目的是講概念，講框架。RTMP 協議根據不同的套層，也可以分為：

  • 純 RTMP: 直接通過 TCP 連線，埠為 1935
  • RTMPS: RTMP + TLS/SSL，用於安全性的交流。
  • RTMPE: RTMP + encryption。在 RTMP 原始協議上使用，Adobe 自身的加密方法
  • RTMPT: RTMP + HTTP。使用 HTTP 的方式來包裹 RTMP 流，這樣能直接通過防火牆。不過，延遲性比較大。
  • RTMFP: RMPT + UDP。該協議常常用於 P2P 的場景中，針對延時有變態的要求。

RTMP 內部是藉由 TCP 長連線協議傳輸相關資料，所以，它的延時性非常低。並且，該協議靈活性非常好（所以，也很複雜），它可以根據 message stream ID 傳輸資料，也可以根據 chunk stream ID 傳遞資料。兩者都可以起到流的劃分作用。流的內容也主要分為：視訊，音訊，相關協議包等。

詳細傳輸過程如圖：

image.png-29.3kB
image.png-29.3kB

如果後期要使用到 RTMP 協議，可以直接參考

HTTP-FLV

該協議和 RTMP 比起來其實差別不大，只是落地部分有些不同：

RTMP 是直接將流的傳輸架在 RTMP 協議之上，而 HTTP-FLV 是在 RTMP 和客戶端之間套了一層轉碼的過程，即：

image.png-8.2kB
image.png-8.2kB

由於，每個 FLV 檔案是通過 HTTP 的方式獲取的，所以，它通過抓包得出的協議頭需要使用 chunked 編碼。

Content-Type:video/x-flv
Expires:Fri, 10 Feb 2017 05:24:03 GMT
Pragma:no-cache
Transfer-Encoding:chunked複製程式碼

它用起來比較方便，不過後端實現的難度和直接使用 RTMP 來說還是比較大的。

上面簡單介紹了一下三種協議，具體選擇哪種協議，還是需要和具體的業務進行強相關，否則的話吃虧的還是自己（自己挖坑）。。。

這裡，簡單的做個對比

協議對比

協議 優勢 缺陷 延遲性
HLS 支援性廣 延時巨高 10s 以上
RTMP 延時性好，靈活 量大的話，負載較高 1s 以上
HTTP-FLV 延時性好，遊戲直播常用 只能在手機 APP 播放 2s 以上

前端音視訊流

由於各大瀏覽器的對 FLV 的圍追堵截，導致 FLV 在瀏覽器的生存狀況堪憂，但是，FLV 憑藉其格式簡單，處理效率高的特點，使各大視訊後臺的開發者都捨不得啟用，如果一旦更改的話，就需要對現有視訊進行轉碼，比如變為 MP4，這樣不僅在播放，而且在流處理來說都有點重的讓人無法接受。而 MSE 的出現，徹底解決了這個尷尬點，能夠讓前端能夠自定義來實現一個 Web 播放器，確實完美。（不過，蘋果老大爺覺得沒這必要，所以，在 IOS 上無法實現。）

MSE

MSE 全稱就是 Media Source Extensions。它是一套處理視訊流技術的簡稱，裡面包括了一系列 API：Media Source，Source Buffer 等。在沒有 MSE 出現之前，前端對 video 的操作，僅僅侷限在對視訊檔案的操作，而並不能對視訊流做任何相關的操作。現在 MSE 提供了一系列的介面，使開發者可以直接提供 media stream。

我們來看一下 MSE 是如何完成基本流的處理的。

var vidElement = document.querySelector('video');

if (window.MediaSource) {
  var mediaSource = new MediaSource();
  vidElement.src = URL.createObjectURL(mediaSource);
  mediaSource.addEventListener('sourceopen', sourceOpen);
} else {
  console.log("The Media Source Extensions API is not supported.")
}

function sourceOpen(e) {
  URL.revokeObjectURL(vidElement.src);
  var mime = 'video/webm; codecs="opus, vp9"';
  var mediaSource = e.target;
  var sourceBuffer = mediaSource.addSourceBuffer(mime);
  var videoUrl = 'droid.webm';
  fetch(videoUrl)
    .then(function(response) {
      return response.arrayBuffer();
    })
    .then(function(arrayBuffer) {
      sourceBuffer.addEventListener('updateend', function(e) {
        if (!sourceBuffer.updating && mediaSource.readyState === 'open') {
          mediaSource.endOfStream();
        }
      });
      sourceBuffer.appendBuffer(arrayBuffer);
    });
}複製程式碼

上面的程式碼完成了相關的獲取流和處理流的兩個部分。其中，主要利用的是 MS 和 Source Buffer 來完成的。接下來，我們來具體涉及一下詳細內容：

MediaSource

MS(MediaSource) 只是一系列視訊流的管理工具，它可以將音視訊流完整的暴露給 Web 開發者來進行相關的操作和處理。所以，它本身不會造成過度的複雜性。

MS 整個只掛載了 4 個屬性，3 個方法和 1 個靜態測試方法。有:

4 個屬性：

  • sourceBuffers: 獲得當前建立出來的 SourceBuffer
  • activeSourceBuffers: 獲得當前正處於啟用狀態的 SourceBuffer
  • readyState: 返回當前 MS 的狀態，比如: closed,open,ended.
  • duration: 設定當前 MS 的播放時長。

3 個方法：

  • addSourceBuffer(): 根據給定的 MIME 建立指定型別的 SourceBuffer
  • removeSourceBuffer(): 將 MS 上指定的 SourceBuffer 移除。
  • endOfStream(): 直接終止該流

1 個靜態測試方法：

  • isTypeSupported(): 主要用來判斷指定的音訊的 MIME 是否支援。

最基本的就是使用 addSourceBuffer 該方法來獲得指定的 SourceBuffer。

var sourceBuffer = mediaSource.addSourceBuffer('video/mp4; codecs="avc1.42E01E, mp4a.40.2"');複製程式碼

Source Buffer

一旦利用 MS 建立好 SourceBuffer 之後，後續的工作就是將額外獲得的流放進 Buffer 裡面進行播放即可。所以，SourceBuffer 提供兩個最基本的操作 appendBuffer，remove。之後，我們就可以通過 appendBuffer 直接將 ArrayBuffer 放進去即可。

其中，SourceBuffer 還提供了一個應急的方法 abort() 如果該流發生問題的話可以直接將指定的流給廢棄掉。

所以，整個流程圖為：

image.png-16kB
image.png-16kB

音視訊的 ArrayBuffer 通過 MediaSource 和 SourceBuffer 的處理直接將 <audio> && <video> 接入。然後，就可以實現正常播放的效果。

當然，上面介紹的僅僅只是一些概念，如果要實際進行編碼的話，還得繼續深入下去學習。有興趣的同學，可以繼續深入瞭解，我的另外一篇部落格：全面進階 H5 直播。

當然，如果後期有機會，可以繼續來實現以下如何進行實際的編碼。本文，主要是給大家介紹直播所需的必要技術和知識點，只有完備之後，我們才能沒有障礙的完成實際編碼的介紹。

流的處理

上面我們已經講解了在直播中，我們怎樣通過 MSE 接觸到實際播放的流，那麼，接下來，我們就要開始腳踏實地的瞭解具體的流的操作處理。因為，視訊流格式解協議中，最常涉及的就是拼包，修改欄位，切包等操作。

在正式介紹之前，我們需要先了解一下關於流的一些具體概念：

二進位制

二進位制沒啥說的就是 位元流。但是，在 Web 中，有幾個簡寫的進位制方式：二進位制，八進位制，十六進位制。

  • 二進位制(binary):使用 0b 字面上表示二進位制。每一位代表 1bit(2^1)
  • 八進位制(octet): 使用 0o 字面上表示八進位制。每一位代表 3bit(2^3)
  • 十六進位制(hexadecimal): 使用 0x 字面上表示十六進位制。每一位代表 4bit(2^4)

上面說的每一位代表著，實際簡寫的位數，比如 0xff31; 這個就代表 2B 的長度。

位運算

位運算在處理流操作中，是非常重要的，不過由於前端 Buffer 提供的操作集合不多，所以，有些輪子我們還得需要自己構造一下。

這裡，我就不細緻介紹，在 Web 中常用的位運算子有：

  • &
  • |
  • ~
  • ^
  • <<

  • >

  • >

詳細介紹可以參考 Web 位運算。

整個優先順序為：

~ >> << >>> & ^ |複製程式碼

位元組序

位元組序說白了就是 bit 放置的順序，因為歷史遺漏原因，位元組的放置有兩種順序：

  • 大位元組序（BigEndian）: 將資料從大到小放置，認為第一個位元組是最高位(正常思維)。
  • 小位元組序（LittleEndian）:將資料從小到達防止，認為第一個位元組是最低位。

這個概念在我們後面寫入過程中，經常用到。當然，我們如何瞭解到某臺電腦使用的是大位元組還是小位元組呢？（其實大部分都是小位元組）。可以使用 IIFE 進行簡單的判斷：

const LE = (function () {
    let buf = new ArrayBuffer(2);
    (new DataView(buf)).setInt16(0, 256, true);  // little-endian write
    return (new Int16Array(buf))[0] === 256;  // platform-spec read, if equal then LE
})();複製程式碼

而在前端，我們歸根結底的就是操作 ArrayBuffer。它也是我們直接和 Buffer 交流的通道。

ArrayBuffer

AB(ArrayBuffer) 不是像 NodeJS 的 Buffer 物件一樣是一個純粹的集合流處理的工具。它只是一個流的容器，這也是底層 V8 實現的內容。基本用法就是給例項化一個固定的記憶體區：

new ArrayBuffer(length)複製程式碼

建立指定的 length Byte 記憶體大小。此時，它裡面只是空的記憶體，這時候你需要借用其他兩個物件 TypedArray 和 DataView 來幫助你完成寫入和修改的操作。不過，AB 提供了一個非常重要的方法：slice()

slice() 和 Array 物件上的 slice 方法一樣也是將陣列中的一部分新建立一個副本返回。這個方法為啥有用呢？

因為，通過 TypedArray 和 DataView 建立的物件底層的 AB 都是不能改變的，所以，如果你想對一個 Buffer 進行不同的操作，比如，對 AB 的 4-8B 全部置 0，並且後面又置為 1。如果你想保留兩者的話，就需要手動建立一個副本才行，這就需要用到 slice 方法了。

AB 具體的屬性和方法我這裡就不多說了，有興趣的同學可以參考 MDN ArrayBuffer

接下來，我們就來看一下和 AB 實際對接最緊密的兩個物件 TypedArray 和 DataView。

TypedArray

TA(TypedArray) 是一套 ArrayBuffer 處理的集合。怎麼說呢？它裡面還可以細分為 

Int8Array();
Uint8Array();
Uint8ClampedArray();
Int16Array();
Uint16Array();
Int32Array();
Uint32Array();
Float32Array();
Float64Array();複製程式碼

為什麼會有這麼多呢？

因為 TA 是將 Buffer 根據指定長度分隔為指定大小的陣列。比如：

var buf = new Uint8Array(arrayBuffer);

buf[0]
buf[1]
...複製程式碼

像這樣具體通過 index 來獲取指定的 Buffer 中的位元值。比如像上面 Uint8Array 每一位就是 1B。

出來分隔的長度不同，剩下的內容，基本上就可以用 TA 來進行整體概括。實際上，大家也可以把它理解為 Array 即可。為啥呢？你可以看一下它有哪些方法後，就徹底明白了：

reverse()
set()
slice()
some()
sort()
subarray()
...複製程式碼

不過，由於相容性的原因，對於某些方法來說，我們需要加上相關的 polyfill 才行。不過，這也不影響我們的研究性學習，並且，因為 MSE 是針對現代手機瀏覽器開發的，所以，我們在做 Web 播放器的時候，也並不需要過度關注瀏覽器的相容。

TypedArray 最常用的操作方式，是直接根據 index 進行相關的寫入操作：

buf[0] = fmt << 6 | 1;
buf[1] = chunkID % 256 - 64;
buf[2] = Math.floor(chunkID / 256);複製程式碼

需要注意在 TypedArray 中的位元組序，是根據平臺預設的位元組序來讀取 Buffer 的，比如 UintArray32()。不過，大部分平臺預設都是 little-endian 來進行讀取。

DataView

DV(DataView) 和 TypedArray 很類似，也是用來修改底層的 Buffer 的。說白了，它倆就是 NodeJS Buffer 的兩部分，可能由於某些原因，將兩者給分開建立。DataView 提供的 API 很簡單，就是一些 get/set 之類的方法。基本用法為：

new DataView(Arraybuffer [, byteOffset [, byteLength]])複製程式碼

注意，前面那個引數只能是 ArrayBuffer ，你不能把 TypedArray 也給我算進去，不然的話...你可以試試。

同樣需要提醒的是 DataView 的修改是和物件一樣的，是進行引用型別的修改，即，如果對一個 Buffer 建立多個 DataView 那麼，多次修改只會在一個 Buffer 顯現出來。

DV 最大的用處就可可以很方便的寫入不同位元組序的值，這相比於使用 TypedArray 來做 swap()(交換) 是很方便的事。當然，位元組序相關也只能是大於 8 bit 以上的操作才有效。

這裡以 setUInt32 為例子，其基本格式為：

setInt32(byteOffset, value [, littleEndian])複製程式碼

其中，littleEndian 是 boolean 值，用來表示寫入位元組序的方式，預設是使用大位元組序。參考：

It is big-endian by default and can be set to little-endian in the getter/setter methods.

所以，如果你想使用小位元組序的話，則需要手動傳入 true 才行！

比如：

let view = new DataView(buffer);
view.setUint32(0, arr[0] || 1, BE);


// 使用 TypedArray 手動構造 swap
buf = new Uint8Array(11);
buf[3] = byteLength >>> 16 & 0xFF;
buf[4] = byteLength >>> 8 & 0xFF;
buf[5] = byteLength & 0xFF;複製程式碼

當然，如果你覺得不放心，可以直接使用，一個 IIFE 進行相關判斷：

const LE = (function () {
            let buf = new ArrayBuffer(2);
            (new DataView(buf)).setInt16(0, 256, true); // little-endian write
            return (new Int16Array(buf))[0] === 256; // platform-spec read, if equal then LE
        })();複製程式碼

上面是前端 Buffer 的部分，為了讓大家更好的瞭解到 JS 開發工作者從前端到後端操作 Buffer 的區別，這裡一併提一下在 NodeJS 中如何處理 Buffer。

Node Buffer

Node Buffer 實際上才是前端最好用的 Buffer 操作，因為它是整合的 ArrayBuffer ， TypedArray ，Dataview 一起的一個集合，該物件上掛載了所有處理的方式。詳情可以參考一下：Node Buffer。

他可以直接通過 alloc 和 from 方法來直接建立指定的大小的 Buffer。以前那種通過 new Buffer 的方法官方已經不推薦使用了，具體原因可以 stackoverflow 搜一搜，這裡我就不多說了。這裡想特別提醒的是，NodeJS 已經可以和前端的 ArrayBuffer 直接轉換了。通過 from 方法，可以直接將 ArrayBuffer 轉換為 NodeJS 的 Buffer。

格式為：

 Buffer.from(arrayBuffer[, byteOffset[, length]])複製程式碼

參考 NodeJS 提供的 demo:

const arr = new Uint16Array(2);

arr[0] = 5000;
arr[1] = 4000;

// 共享 arr 的快取
const buf = Buffer.from(arr.buffer);

// 列印結果: <Buffer 88 13 a0 0f>
console.log(buf);

// 直接改變原始的 Buffer 值
arr[1] = 6000;

// 列印: <Buffer 88 13 70 17>
console.log(buf);複製程式碼

在 Node Buffer 物件上，還掛載了比如:

buf.readInt16BE(offset[, noAssert])
buf.readInt16LE(offset[, noAssert])
buf.readInt32BE(offset[, noAssert])
buf.readInt32LE(offset[, noAssert])複製程式碼

有點不同的是，它是直接根據名字的不同而決定使用哪種位元組序。

  • BE 代表 BigEndian
  • LE 代表 LittleEndian

之後，我們就可以使用指定的方法進行寫入和讀取操作。

const buf = Buffer.from([0, 5]);

// Prints: 5
console.log(buf.readInt16BE());

// Prints: 1280
console.log(buf.readInt16LE());複製程式碼

在實際使用中，我們一般對照著 Node 官方文件使用即可，裡面文件很詳盡。

音視訊基本概念

為了大家能夠在學習中減少一定的不適感，這裡先給大家介紹一下音視訊的基本概念，以防止以後別人在吹逼，你可以在旁邊微微一笑。首先，基本的就是視訊格式和視訊壓縮格式。

視訊格式應該不用多說，就是我們通常所說的 .mp4,.flv,.ogv,.webm 等。簡單來說，它其實就是一個盒子，用來將實際的視訊流以一定的順序放入，確保播放的有序和完整性。

視訊壓縮格式和視訊格式具體的區別就是，它是將原始的視訊碼流變為可用的數字編碼。因為，原始的視訊流非常大，打個比方就是，你直接使用手機錄音，你會發現你幾分鐘的音訊會比市面上出現的 MP3 音訊大小大很多，這就是壓縮格式起的主要作用。具體流程圖如下：

image.png-37.1kB
image.png-37.1kB

首先，由原始數碼裝置提供相關的數字訊號流，然後經由視訊壓縮演算法，大幅度的減少流的大小，然後交給視訊盒子，打上相應的 dts，pts 欄位，最終生成可用的視訊檔案。常用的視訊格式和壓縮格式如下：

image.png-136.4kB
image.png-136.4kB

視訊格式主要是參考 ISO 提供的格式檔案進行學習，然後參照進行編解碼即可。

這裡，主要想介紹一下壓縮演算法，因為這個在你實際解碼用理解相關概念很重要。

首先來看一下，什麼叫做視訊編碼。

視訊編碼

視訊實際上就是一幀一幀的圖片，拼接起來進行播放而已。而圖片本身也可以進行相關的壓縮，比如去除重複畫素，合併畫素塊等等。不過，還有另外一種壓縮方法就是，運動估計和運動補償壓縮，因為相鄰圖片一定會有一大塊是相似的，所以，為了解決這個問題，可以在不同圖片之間進行去重。

所以，總的來說，常用的編碼方式分為三種：

  • 變換編碼：消除影象的幀內冗餘
  • 運動估計和運動補償：消除幀間冗餘
  • 熵編碼：提高壓縮效率
變換編碼

這裡就涉及到影象學裡面的兩個概念：空域和頻域。空域就是我們物理的圖片，頻域就是將物理圖片根據其顏色值等對映為數字大小。而變換編碼的目的是利用頻域實現去相關和能量集中。常用的正交變換有離散傅立葉變換，離散餘弦變換等等。

熵編碼

熵編碼主要是針對碼節長度優化實現的。原理是針對信源中出現概率大的符號賦予短碼，對於概率小的符號賦予長碼，然後總的來說實現平均碼長的最小值。編碼方式（可變字長編碼）有：霍夫曼編碼、算術編碼、遊程編碼等。

運動估計和運動補償

上面那兩種辦法主要是為了解決影象內的關聯性。另外，視訊壓縮還存在時間上的關聯性。例如，針對一些視訊變化，背景圖不變而只是圖片中部分物體的移動，針對這種方式，可以只對相鄰視訊幀中變化的部分進行編碼。

接下來，再來進行說明一下，運動估計和運動補償壓縮相關的，I,B,P 幀。

I,B,P 幀

I,B,P 實際上是從運動補償中引出來的，這裡為了後面的方便先介紹一下。

  • I 幀(I-frame): 學名叫做: Intra-coded picture。也可以叫做獨立幀。該幀是編碼器隨機挑選的參考影象，換句話說，一個 I 幀本身就是一個靜態影象。它是作為 B,P 幀的參考點。對於它的壓縮，只能使用熵 和 變化編碼 這兩種方式進行幀內壓縮。所以，它的運動學補償基本沒有。
  • P 幀(P‑frame): 又叫做 Predicted picture--前向預測幀。即，他會根據前面一張影象，來進行圖片間的動態壓縮，它的壓縮率和 I 幀比起來要高一些。
  • B 幀(B‑frame): 又叫做 Bi-predictive picture-- 雙向預測。它比 P 幀來說，還多了後一張影象的預測，所以它的壓縮率更高。

可以參考一下雷博士的圖：

image.png-54kB
image.png-54kB

不過，這樣理解 OK，如果一旦涉及實際編碼的話，那麼就不是那麼一回事了。設想一下，視訊中的 IBP 三幀，很有可能會遇到 I B B P 的情形。這樣其實也還好，不過在對資料解碼的時候，就會遇到一個問題，B 幀是相對於前後兩幀的，但是隻有前一幀是固定幀，後面又相對於前面，即，B 幀只能相對於 I/P。但是，這時候 P 幀又還沒有被解析。所以，為了解決這個問題，在解碼的時候，就需要將他們換一個位置，即 I P B B。這樣就可以保證解碼的正確性。

那怎麼進行保證呢？這就需要 DTS 和 PTS 來完成。這兩個是我們在進行視訊幀編解碼中最終要的兩個屬性（當然還有一個 CTS）。

解釋一下：

  • pts(presentation time stamps):顯示時間戳，顯示器從接受到解碼到顯示的時間。
  • dts(decoder timestamps): 解碼時間戳。也表示該 sample 在整個流中的順序

所以視訊幀的順序簡單的來表示一下就是：

   PTS: 1 4 2 3
   DTS: 1 2 3 4
Stream: I P B B複製程式碼

可以看到，我們使用 DTS 來解碼，PTS 來進行播放。OK，關於 Web 直播的大致基本點差不多就介紹完了。後面如果還有機會，我們可以來進行一下 音視訊解碼的實戰操練。

更多內容，可以關注我的公眾號：前端小吉米

相關文章