1.概述
MP4视频文件封装格式是基于QuickTime容器格式定义的，因此参考QuickTime的格式定义对理解MP4文件格式很有帮助。MP4文件格式是一个十分开放的容器，几乎可以用来描述所有的媒体结构，MP4文件中的媒体描述与媒体数据是分开的，并且媒体数据的组织也很自由，不一定要按照时间顺序排列，甚至媒体数据可以直接引用其他文件。同时，MP4也支持流媒体。MP4目前被广泛用于封装h.264视频和AAC音频，是高清视频的代表。
MP4文件中的所有数据都装在box（QuickTime中为atom）中，也就是说MP4文件由若干个box组成，每个box由BoxHeader和BoxData组成类，BoxHeader一般包括Box的大小和类型，可以将box理解为一个数据对象块。box中可以包含另一个box，这种box称为container box。一个MP4文件首先会有且只有一个“ftyp”类型的box，作为MP4格式的标志并包含关于文件的一些信息；之后会有且只有一个“moov”类型的box（Movie Box），它是一种container box，子box包含了媒体的metadata信息；MP4文件的媒体数据包含在“mdat”类型的box（Midia Data Box）中，该类型的box也是container box，可以有多个，也可以没有（当媒体数据全部引用其他文件时），媒体数据的结构由metadata进行描述。
2. 几个名词
track：表示一些sample的集合，对于媒体数据来说，track表示一个视频或音频序列。
hint track：特殊的track，并不包含媒体数据，包含的是一些将其他数据track打包成流媒体的指示信息。
sample：对于非hint track来说，video sample即为一帧视频，或一组连续视频帧，audio sample即为一段连续的压缩音频，它们统称sample，对于hint track，sample定义一个或多个流媒体包的格式。
chunk：一个track的几个sample组成的单元。
3.组成
一个典型的mp4文件构成如下图所示：
mp4文件结构
File Type Box（ftyp）
该box有且只有1个，并且只能被包含在文件层，而不能被其他box包含。该box应该被放在文件的最开始，指示该MP4文件应用的相关信息。
“ftyp” body依次包括1个32位的major brand（4个字符），1个32位的minor version（整数）和1个以32位（4个字符）为单位元素的数组compatible brands。这些都是用来指示文件应用级别的信息。
Movie Box（moov）
该box包含了文件媒体的metadata信息，“moov”是一个container box，具体内容信息由子box诠释。同File Type Box一样，该box有且只有一个，且只被包含在文件层。一般情况下，“moov”会紧随“ftyp”出现，当然也可以出现在mdat后面，这种情况下在网络传输时需要下载完整个文件才能播放。
一般情况下，“moov”中会包含1个“mvhd”和若干个“trak”。其中“mvhd”为header box，包含了整个媒体文件的信息，如视频时长，创建时间等信息；“trak”表示Video、Audio等，详细信息如图2所示。
图2 mp4文件主要Box类型说明
Media Data（mdat）
包含真正的媒体数据。
4.几个主要问题
问题1：mp4文件如何Seek，换句话说就是给定一个时间，如何找到对应的sample位置？
1）通过stts,就是sample table boxer里的time to sample 列表，找到对应的sample的序列号,比如说是50。
2）通过stsc 即 sample table boxer里的sample to chunk 列表，定位到属于哪个chunk.
3)通过stco 即sample table boxer 里的chunk offset table 列表，找到这个chunk在整个文件中的偏移量。
4）通过stss，即sample table boxer里的sample size 列表, 顺序查找这个sample的大小，已经其前面的sample的大小，直到改chunk的第一个sample，然后累加偏移量，就可以得到该sample在这个文件中的偏移。
整个过程是一层层来确定最终的文件位置。
问题2：为什么某些大于4G的mp4文件无法正常播放？
这种情况在实际开发中会经常遇到，首先看一下Box的组成，对于大于4G的文件，mdat用uint32是无法保存的，在转码操作时要特别注意。
欢迎大家一起讨论问题。
