一直想写一篇文章来描述一下mp4文件格式的组织情况，一开始笔者也是通过在百度搜“mp4文件格式解析” 或“mp4文件格式详解” 或者说的牛X一点就是"mp4文件格式剖析",最后一大堆box把我看晕了，对于box内容的理解确实对于mp4文件格式的了解有很大帮助，但是很不幸，这些文章都是堆叠abox：abox的描述，实在是让人捉摸不透。诚然，box是为了实现某些功能，或者达到目的而产生的。今天我就来写一篇文章，让你对mp4文件的box有个通俗的理解，通俗并不代表吃快餐式的描述，并不是读完本文只有个大概的了解。希望本篇文章能让你醍醐灌顶，立刻懂mp4了。
mp4由很多box组成，如果你是个初学者，我建议你下载一个mp4info这个软件，然后随便从网上找来一个mp4媒体文件打开。然后你会看到如下所示:使用这个工具便于你对mp4文件格式有个视觉上的了解。box逻辑上是嵌套的，树形的。
看到这几个box，你一定很费解，其实这就是英文缩写，下面解释一下
ftype : file type 文件类型
moov : movie 存放媒体信息，它的子box就是它的内容
mvhd : movie header 媒体头 文件的时长，创建时间等信息，没必要了解那么细
track： track 通道，我这里有两个通道，一个是视频通道，一个是音频通道，两个通道分别描述媒体信息。怎么描述的见下文
mdata: 真正的媒体数据
顺便说一下右侧的小窗mp4info下的信息，这些信息是从box中解析出来的，你要问从哪个box解析出来的，我只能告诉你，你先知道这么多，知道太多了反而会把你头搞大。mp4的核心在于点播，在于快速定位帧数据，这些媒体总体信息随后你会发现解析太简单了。
这个小窗的信息分三部分，左侧上部是音频信息，smplrate:sample rate 采样率16000，channel通道个数，我这里是单通道，多通道就是立体声，bitrate就是比特率，单位是秒。 左侧下部是音频信息，with height视频的宽高，这里是1280x720 ，bitrate同样是比特率，这里有更专业的叫法：码率，秒为单位 frames帧个数，我这里是150帧，因为是10s的视频，fps 是frame per second ,我这里是15帧/秒，所以说10s是150帧。右侧的数据有一个地方值得说一下，那就是timescale 时间的粒度，就是一个粒度单位，可以是时间，也可以不是，我们这里是1s的帧数作为粒度单位，也即是说15帧等效于1秒。我们平时都是以1s为一个单位，或是1ms为一个单位，但是我要以10ms为一个单位，那么这个10ms就可以算作一个粒度单位，要是以1s的帧数作为单位，那这个粒度就是帧数，他们从不同的方面描述这1秒的时间。 我们这里是15000，其实是1秒的时长，这个数值和fps帧率有关系，我这里是15帧/秒 ,所以一个粒度单位就是1s，但是这里并没有取时间作为单位，而是以1秒的帧数作为了粒度单位。显然这里乘以了1000，变成了毫秒。
废了半天口水，总结一下就是timescale从另一个方面度量了1000ms的时间(1s发生的帧数)。一定要理解这个概念，
durateion就是timescale * 10s得来的， totaltime是我们正常概念的时间，10000ms maxaudiosize maxvideosize就不解释了。 videosamplenum 就是视频sample的个数，这里注意1个sample就是1帧，这里150个sample，150帧，帧率15帧/秒，10秒的视频，很好理解。下面进入正题：这些sample如何组织。下文中在遇到sample直接想成帧即可。
这里以视频数据为例进行解析。打开第一个track，就看到了视频数据的信息，如下图所示：
这里很重要的一个box就是 stbl，也是mp4中比较复杂的一个box，这才是解开mp4文件格式的主干，其他box暂且不去关心，关心的越多只会让你只见树木不见森林。
stbl ：sample table是一个顶层box，数据都在子box中，这里不解释这个box，以免读者觉得摸不着头脑。我们直接解释它的子box。
stsd： sample table sample description ，是描述信息，你只需要知道这里存放的是sample的描述信息就行了，也就是上图小窗的信息，都存在这。
stsc：sample table sample chunk, sample-chunk映射表， 这个box有点复杂，因为引入了一个新概念chunk，chunk是一组sample的集合, 而结构相同的chunk又可以聚集在一起形成一个entry，这个entry就是stsc映射表的项目。(entry 多用于形容map结构的item)
mp4文件把相同类型的chunk放在一起进行描述，从左到右可以是这样
chunk0 chunk1 chunk2 chunk3 chunk4 chunk5 chunk6 chunk7 chunk 8 chunk9
每个entry的结构是这样的
struct{
uint32 first_chunk;//这组chunk的第一个chunk的序号
uint32 samples_per_chunk;//每个chunk有多少个sample
uint32 sample_desc_idx;//stsd 中sample desc的索引，这个box上文有提到过。
} entry;
小总结一下，mp4顺序的把一组相同结构的chunk放在一起进行管理，这么做是为了压缩文件大小。
比如entry0 包含 chunk0 chunk1 chunk2 , first chunk的索引是0
entry1 包含 chunk3 chunk4 chunk5 chunk6 , first_chunk的索引是3
每一个entry必须通过她的下一个entry的first_chunk才能知道自己有多少个chunk， 例如entry0 first_chunk为0 entry1为3
那么entry0的chunk个数为3-0=3个。以此类推，最后一个entry就是从first_chunk开始一直到结束为止。
stco:sample table chunk offset，这个box记录了每个chunk的文件偏移量，其实就是每个chunk的地址(文件指针)
chunk0 chunk1 chunk2 chunk3 chunk4 chunk5 chunk6 chunk7 chunk 8 chunk9
从这个stcobox中，我们可以拿到chunk的总个数
stsz: sample talbe sample size , 保存了每个sample的大小和sample的数目，体积比较大，从开始到结束。
stss：sample table sync sample ，保存了关键帧列表，关键sample序号列表,从开始到结束
stts： sample table time to sample, 这个表很关键，是时间->sample序号的映射，通过这个表可以找到任何时间的sample序号。不包含sample的字长和指针(通过其他方式计算)，只包含sample的时间长度和时间偏移量。这是一个压缩的表，连续相同时间长度的sample会被分成一组组成一个表项。
到这里，我们知道了每个sample的字节大小，为了便于描述，我们建立一张映射表map_sample_size, 通过get_sample_size(index)这个函数，根据sample序号index来获取对应sample的字节大小。 我们通过get_sample_offset(index) 这个方法来根据给定sample的序号获取其文件偏移量。get_sample_offset(index)很关键，让我们来详细解释一下如何实现这个函数：
上文中知道了每个entry有多少个类似的chunk, 以及每个chunk有多少个类似的sample，还知道总的chunk个数，还知道每个chunk的偏移量offset，间接得出了每个chunk的大小。还知道每个sample的字节大小。通过这些信息，我们可以建立一张表，这张表可以记录每个sample的文件偏移量，从开始到结束叠加。大家仔细想一下，根据这些信息是如何计算的。然后再看答案。
那么我们来看如何推算每个sample的offset。假如我知道了第0个sample的offset(其实就是chunk0的offset)，我还知道第0个sample的字节大小（stsz中存放）那么第1个sample的offset就可以得出: offset0+sample_size0。以此类推我们就能建立一张表sample序号和其offset的表。这个例子是个特殊情况，不过对于其他的chunk也如此。
为什么mp4要采用这种entry chunk sample这种方式进行逻辑上的存储呢。总的来说是时间换空间，存储chunk的文件offset要比存储每个sample的文件offset节省空间，我们也看到了sample的offset换算稍微有些复杂，并不那么直接，所以要建立一张临时表，这个表就是sample序号和chunk的映射表，根据给定的sample序号，能找到其所在的chunk，以及其在chunk内部的序号。
现在我们根据时间就能拿到sample的序号，那么为什么还需要一个关键帧表呢。这是因为解码器在解码视频的时候只能从关键帧进行解码，如果没有关键帧后面的连续帧就不能解码。因此我们还需要一个函数get_key_sample(index)根据给定的sample序号获取其最近的关键帧sample序号。参考stss，假如关键sample序号是0,14,28...，我现在get_key_sample(12)应该返回14. 配合get_sample_offset(index) 就能立刻定位关键帧的数据。
好了写到这里我相信，我没有把mp4的每个box都讲一遍给你让读者看不下去。mp4最关键最核心的就是点播，如何根据seek到的时间戳找到附近的关键帧对应的数据在文件中的位置才是核心。通过本文，我想你已经有了答案。 读者注意一下我在本文中定义的一些伪代码函数，对于理解mp4是如何实现点播的是很有帮助的。剩余的音频数据同理。至于我没详细解说的那些box，相信在读者抓住了主干后可以顺利的各个击破丝毫不会感觉迷失。