当前位置：首页 > news >正文

音视频的文件封装——AVI、MP4、MKV

news 来源：原创 2025/5/9 14:17:11

3.MKV (Matroska Video File)

Matroska （俄语： матроска ）是一种多媒体封装格式，可把多种不同编码的影像、不同格式的音频、不同语言的字幕封装到一个文件内。也是一种开放源代码的多媒体封装格式。

Matroska 支持多种文件扩展名：

.mkv：用于包含至少一个视频轨道的文件，通常还包含音频和字幕轨道。
.mka：用于仅包含音频的文件。
.mk3d：用于包含立体（3D）视频的文件。
.mks：用于仅包含字幕的文件。
.webm：通常用于封装VP9视频编码和Opus音频编码

3.1 MKV文件格式

下图为一个简单的 Matroska Video 文件的结构：

1. Header ：包含 EBML （ Extensible Binary Meta Language ）版本信息和文件类型（如

Matroska ）。

2. Segment ：这是 MKV 文件的主要部分，包含以下子部分：

Meta Seek Information：快速索引信息，用于定位文件的其他部分。
Segment Information：包含文件的基本信息，如标题和唯一ID。
Tracks：包含音频、视频和字幕轨道的信息，如编码方式、分辨率和采样率。
Chapters：定义章节信息，便于快速跳转。
Clusters：包含实际的音频和视频数据帧。
Cueing Data：用于播放时快速定位特定时间点。
Attachments：可以附加任何类型的文件，如图片、网页或程序。
Tags：包含文件和各轨道的标签信息，如作者和标题

3.2 MKV的主要结构

MKV 采用可扩展二进制元语言 EBML(Extensible Binary Meta Language) 来描述其文件结构， EBML 用元素（Elements ）来描述 EBML 文档，组织结构如下：

3.2.1 Header

假设一个 MKV 文件的开头部分如下：

1A 45 DF A3 93 42 86 81 01 42 F7 81 01 42 F2 81 04 42 F3 81 08 42 82 88 6D 61 74

72 6F 73 6B 61 42 87 81 01 42 85 81 01

解析步骤如下：

1. 1A 45 DF A3 ：这是 EBML Header 的 ID 。

2. 93 ：表示接下来的数据长度为 19 字节。

3. 42 86 81 01 ： EBMLVersion ，值为 1 。

4. 42 F7 81 01 ： EBMLReadVersion ，值为 1 。

5. 42 F2 81 04 ： EBMLMaxIDLength ，值为 4 。

6. 42 F3 81 08 ： EBMLMaxSizeLength ，值为 8 。

7. 42 82 88 6D 61 74 72 6F 73 6B 61 ： DocType ，值为 “matroska” 。

8. 42 87 81 01 ： DocTypeVersion ，值为 1 。

9. 42 85 81 01 ： DocTypeReadVersion ，值为 1 。

3.2.2 Segment

MKV 文件的 Segment 部分是文件的核心，包含了实际的多媒体数据和相关的元数据。 Segment 部分由多个子元素组成，每个子元素都有特定的功能。

3.2.2.1 SeekHead

Meta Seek Information 包含快速索引信息，用于定位文件的其他部分（如 Track Info 、 Chapters 、

Tags 、 Cues 、 Attachments 等）。这些位置是在 Segment 中的相对位置。 Meta Seek 这部分内容比不一定必须有，但是有了它能让你快速的定位到你关心的一些关键信息的位置，而不用按照文件顺序的解析。

3.2.2.2 Segment Information

包含识别文件的信息，包括 Title 、 SegmentUID, 有个比较关心的文件时长信息 Duration 也在这一部分。

3.2.2.3 Track

在 MKV （ Matroska ）文件中， Track 部分包含了每个独立的音频流、视频流或字幕流的详细信息，如音视频解码器类型、视频分辨率、音频采样率等。

由于 Track 中的参数过多，这里就不一一介绍，详情请阅读 MKV 官方文档，下面展示一些关键元素：

1.TrackNumber ：用于在块头中使用的轨道编号，占用 1 到 4 个字节。

2. TrackUID ：唯一标识轨道的 ID ，占用 8 个字节（ 64 位）。

3. TrackType ：轨道类型，占用 1 个字节（ 8 位）。

4. FlagEnabled ：设置轨道是否可用，占用 1 个字节（ 1 位）。

5. FlagDefault ：设置该轨道是否应在没有找到匹配用户偏好的语言时激活，占用 1 个字节（ 1 位）。

6. FlagForced ：设置该轨道在播放期间是否必须激活，占用 1 个字节（ 1 位）。

7. FlagLacing ：设置轨道是否可能包含使用花边的块，占用 1 个字节（ 1 位）。

8. MinCache ：播放器在播放期间应能够缓存的最小帧数，占用 4 个字节（ 32 位）。

9. MaxCache ：存储引用帧和当前帧所需的最大缓存大小，占用 4 个字节（ 32 位）。

10. DefaultDuration ：每帧的纳秒数，占用 8 个字节（ 64 位）。

11. TrackTimecodeScale ：应用于此轨道的比例，占用 8 个字节（ 64 位）。

12. TrackOffset ：要添加到块时间戳的值，占用 8 个字节（ 64 位）。

13. MaxBlockAdditionID ： BlockAddID 的最大值，占用 8 个字节（ 64 位）。

14. Name ：轨道的名称，占用可变长度。

15. Language ：轨道的语言代码，占用 3 个字节（ 24 位）。

16. CodecID ：用于解码此轨道的编解码器 ID ，占用可变长度。

17. CodecPrivate ：特定编解码器的私有数据，占用可变长度。

18. CodecName ：编解码器的名称，占用可变长度。

19. CodecDelay ：解码器开始输出前的延迟时间，占用 8 个字节（ 64 位）。

20. SeekPreRoll ：在开始解码前需要预读的时间，占用 8 个字节（ 64 位）。

21. Video ：视频轨道的特定信息（如宽度、高度、显示宽度、显示高度、显示单位、立体模式等），

每个字段占用的位数不同。

22. Audio ：音频轨道的特定信息（如采样率、通道数、位深度等），每个字段占用的位数不同。

23. TrackOverlay ：此轨道覆盖的轨道编号，占用 4 个字节（ 32 位）。

3.2.2.4 Chapters

Matroska 的章节系统可以包含多个版本（ Editions ），每个版本可以由简单章节（ Simple Chapters ）组成，也可以是更复杂的有序章节（Ordered Chapters ）。

1. EditionEntry （版本条目） :

EditionUID: 版本的唯一标识符。

EditionFlagDefault: 标记此版本是否为默认版本。只有一个版本应设置为默认。

EditionFlagOrdered: 标记此版本是否为有序章节版本。

2. ChapterAtom （章节原子） :

ChapterUID: 章节的唯一标识符。

ChapterStringUID: 章节的字符串标识符。

ChapterTimeStart: 章节开始的时间戳。

ChapterTimeEnd: 章节结束的时间戳。

ChapterFlagHidden: 标记章节是否隐藏。

ChapterDisplay: 显示章节信息的元素。

ChapString: 章节名称。

ChapLanguage: 章节语言

对于章节有两种分别是：

简单章节（Simple Chapters）: 仅使用章节开始时间作为标记点。
有序章节（Ordered Chapters）: 使用章节开始和结束时间来定义和安排虚拟时间线。

3.2.2.5 Clusters

Clusters 部分是存储实际音频和视频数据的关键部分。每个 Cluster 包含一个或多个 BlockGroups ，每个BlockGroup包含一个或多个 Block 。

1 个 Cluster 内可能有很多个 BlockGroup 组成， BlockGroup 内又由若干个 Block 组成。这些 Block 内就是音视频的帧数据。

1个Cluster并不一定只是音频或者视频。它是由不同的音视频BlockGroup交叉组成。因为多媒体文件中的音视频数据本来就是交叉出现的。

下面对 Cluster 中重要的元素介绍：

Cluster：每个Cluster包含一个时间戳和多个BlockGroups。时间戳表示Cluster中第一个Block的播放时间。
Timecode：Cluster的时间码，表示Cluster中第一个Block的时间戳。
BlockGroup：包含一个Block和与该Block相关的任何信息。
Block：实际的音频或视频数据块，包含时间戳、TrackNumber和数据。
ReferenceBlock：用于表示此Block引用的其他Block（例如B帧或P帧）。
BlockDuration：Block的持续时间。

3.2.2.6 Cueing Data

Cueing Data （索引数据）用于快速定位和访问文件中的特定位置。这些索引使得播放器可以快速跳转到文件中的特定位置，而无需从头开始读取整个文件。

CuePoint（索引点）:

CueTime : 关键帧的时间戳。

CueTrackPositions: 包含多个 CueTrackPosition 元素，每个元素对应一个轨道的索引信

息。

CueTrackPosition（轨道位置）:

CueTrack: 轨道的唯一标识符。

CueClusterPosition: 关键帧所在的 Cluster 的位置。

CueRelativePosition: 关键帧在 Cluster 中的相对位置。

CueDuration: 关键帧的持续时间（可选）。

CueBlockNumber: 关键帧的块编号（可选）。

通过 Cueing Data ，播放器可以快速跳转到视频或音频文件中的特定位置，提高播放效率。在播放过程中，播放器可以利用这些索引数据快速找到并解码需要的部分，而不必解析整个文件。

3.2.2.7 Attachments

Attachments （附件）用于包含与视频相关的额外文件。这些附件可以是封面图片、字体文件、字幕文件等，这些文件可以在播放时被使用。

FileDescription: 文件的描述信息。
FileName: 文件的名称。
FileMimeType: 文件的 MIME 类型（例如，image/jpeg, application/x-truetype-font）。
FileData: 文件的实际数据，以二进制形式存储。

3.2.2.8 Tags

Tags （标签）用于存储与媒体文件相关的元数据。这些标签可以包含关于文件内容的各种信息，如标题、艺术家、专辑、导演等。

1. Tag （标签） :

Targets （目标） : 指定标签应用于文件的哪个部分。

TargetTypeValue: 目标类型的数值表示。
TargetType: 目标类型的字符串表示（例如，COLLECTION, ALBUM）。
TagTrackUID: 轨道的唯一标识符。
TagEditionUID: 版本的唯一标识符。
TagChapterUID: 章节的唯一标识符。
TagAttachmentUID: 附件的唯一标识符。

2. SimpleTag （简单标签） :

TagName: 标签的名称（例如，TITLE, ARTIST）。
TagLanguage: 标签的语言（例如，eng）。
TagDefault: 标记此标签是否为默认标签。
TagString: 标签的值（例如，"Inception", "Hans Zimmer"）。
TagBinary: 标签的二进制数据（如果适用）。
SimpleTag: 可以嵌套其他简单标签

标签可以嵌套，这意味着一个标签可以包含其他标签。例如，一个专辑标签可以包含多个曲目标签，每个曲目标签又可以包含艺术家和标题等信息。

2.3 封装H264码流和AAC码流

使用 FFMPEG 库合成 H264 视频和 AAC 音频，通过重新编码视频流来生成时间戳。

ffmpeg -fflags +genpts -i input.h264 -i input.aac -c:v libx264 -c:a copy

output.mkv