FLV(Flash Video)是Adobe公司推出的一种流媒体格式，由于其封装后的音视频文件体积小、封装简单等特点，非常适合于互联网上使用。目前主流的视频网站基本都支持FLV。采用FLV格式封装的文件后缀为.flv。
FLV封装格式是由一个文件头(flie header)和 文件体(file Body)组成。其中，FLV body由一对对的(Previous Tag Size字段 + tag)组成。Previous Tag Size字段 排列在Tag之前，占用4个字节。Previous Tag Size记录了前面一个Tag的大小，用于逆向读取处理。FLV header后的第一个Pervious Tag Size的值为0。Tag一般可以分为3种类型：脚本(帧)数据类型、音频数据类型、视频数据。FLV数据以大端序进行存储，在解析时需要注意。一个标准FLV文件结构如下图：
FLV文件结构
FLV文件的详细内容结构如下图：
FLV文件详细内容结构
FLV header
注：在下面的数据type中，UI表示无符号整形，后面跟的数字表示其长度是多少位。比如UI8，表示无法整形，长度一个字节。UI24是三个字节,UI[8*n]表示多个字节。UB表示位域，UB5表示一个字节的5位。可以参考c中的位域结构体。
FLV头占9个字节，用来标识文件为FLV类型，以及后续存储的音视频流。一个FLV文件，每种类型的tag都属于一个流，也就是一个flv文件最多只有一个音频流，一个视频流，不存在多个独立的音视频流在一个文件的情况。FLV头的结构如下：
| Field | Type | Comment |
|---|---|---|
| 签名 | UI8 | 'F'(0x46) |
| 签名 | UI8 | 'L'(0x4C) |
| 签名 | UI8 | 'V'(0x56) |
| 版本 | UI8 | FLV的版本。0x01表示FLV版本为1 |
| 保留字段 | UB5 | 前五位都为0 |
| 音频流标识 | UB1 | 是否存在音频流 |
| 保留字段 | UB1 | 为0 |
| 视频流标识 | UB1 | 是否存在视频流 |
| 文件头大小 | UI32 | FLV版本1时填写9，表明的是FLV头的大小，为后期的FLV版本扩展使用。包括这四个字节。数据的起始位置就是从文件开头偏移这么多的大小。 |
FLV Body
FLV Header之后，就是FLV File Body.FLV File Body是由一连串的back-pointers + tags构成。Back-pointer表示Previous Tag Size(前一个tag的字节数据长度)，占4个字节。
FLV Body结构
FLV Tag
每一个Tag也是由两部分组成:tag header 和 tag data。Tag Header里存放的是当前tag的类型、数据区(tag data)的长度等信息。tag header一般占11个字节的内存空间。FLV tag结构如下：
| Field | Type | Comment |
|---|---|---|
| Tag类型 | UI8 | 8:audeo 9:video 18:Script data(脚本数据) all Others:reserved 其他所有值未使用 |
| 数据区大小 | UI24 | 当前tag的数据区的大小，不包含包头 |
| 时戳 | UI24 | 当前帧时戳，单位是毫秒。相对值，第一个tag的时戳总是为0 |
| 时戳扩展字段 | UI8 | 如果时戳大于0xFFFFFF，将会使用这个字节。这个字节是时戳的高8位，上面的三个字节是低24位。 |
| StreamID | UI24 | 总是为0 |
| 数据区 | UI[8*n] | 数据区数据 |
FLV Tag的类型可以是视频、音频和Script(脚本类型)，下面分别介绍这三种Tag类型
Script Tag Data结构(脚本类型、帧类型)
该类型Tag又被称为MetaData Tag,存放一些关于FLV视频和音频的元信息，比如：duration、width、height等。通常该类型Tag会作为FLV文件的第一个tag，并且只有一个，跟在File Header后。该类型Tag DaTa的结构如下所示:
帧类型 Tag Data结构
第一个AMF包：
第1个字节表示AMF包类型，一般总是0x02，表示字符串。第2-3个字节为UI16类型值，标识字符串的长度，一般总是0x000A（“onMetaData”长度）。后面字节为具体的字符串，一般总为“onMetaData”（6F,6E,4D,65,74,61,44,61,74,61）。
第二个AMF包：
第1个字节表示AMF包类型，一般总是0x08，表示数组。第2-5个字节为UI32类型值，表示数组元素的个数。后面即为各数组元素的封装，数组元素为元素名称和值组成的对。常见的数组元素如下表所示。
| 值 | Comment |
|---|---|
| duration | 时长 |
| width | 视频宽度 |
| heiht | 视频高度 |
| video data rate | 视频码率 |
| frame rate | 视频帧率 |
| video codec id | 视频编码方式 |
| audio sample rate | 音频采样率 |
| audio sample size | 音频采样精度 |
| stereo | 是否为立体声 |
| audio codec id | 音频编码方式 |
| filesize | 文件大小 |
| ... | ... |
Audio Tag Data结构(音频类型)
音频Tag Data区域开始的第一个字节包含了音频数据的参数信息，从第二个字节开始为音频流数据。结构如下：
Audio Tag Data结构
第一个字节为音频的信息，格式如下：
| Field | Type | Comment |
|---|---|---|
| 音频格式 | UB4 | 0 = Linear PCM, platform endian 1 =ADPCM 2 = MP3 3 = Linear PCM, little endian 4 = Nellymoser 16-kHz mono 5 = Nellymoser 8-kHz mono 6 = Nellymoser 7 = G.711 A-law logarithmic PCM 8 = G.711 mu-law logarithmic PCM 9 = reserved 10 = AAC 11 = Speex 14 = MP3 8-Khz 15 = Device-specific sound flv是不支持g711a的，如果要用，可能要用线性音频。 |
| 采样率 | UB2 | 0 = 5.5-kHz 1 = 11-kHz 2 = 22-kHz 3 = 44-kHz 对于AAC总是3。由此可以看出FLV封装格式并不支持48KHz的采样率 |
| 采样精度 | UB1 | 0 = snd8Bit 1 = snd16Bit 压缩过的音频都是16bit |
| 音频声道 | UB1 | 0 = sndMono 单声道 1 = sndStereo 立体声，双声道 对于AAC总是1 |
第二个字节开始为音频数据。
| Field | Type | Comment |
|---|---|---|
| 音频数据 | UI[8*n] | 如果是PCM线性数据，存储的时候每个16bit小端存储，有符号。 如果音频格式是AAC，则存储的数据是AAC AUDIO DATA，否则为线性数组。 |
video Tag Data结构(视频类型)
视频Tag Data开始的第一个字节包含视频数据的参数信息，从第二个字节开始为视频流数据。结构如下：
video Tag Data结构
第一个字节包含视频信息，格式如下:
| Field | Type | Comment |
|---|---|---|
| 帧类型 | UB4 | 1: keyframe (for AVC, a seekable frame)——h264的IDR，关键帧，可重入帧。 2: inter frame (for AVC, a non- seekable frame)——h264的普通帧 3: disposable inter frame (H.263 only) 4: generated keyframe (reserved for server use only) 5: video info/command frame |
| 编码ID | UB4 | 使用哪种编码类型： 1: JPEG (currently unused) 2: Sorenson H.263 3: Screen video 4: On2 VP6 5: On2 VP6 with alpha channel 6: Screen video version 2 7: AVC |
第二个字节开始为视频数据
| Field | Type | Comment |
|---|---|---|
| 视频数据 | UI[8*n] | 如果是avc，则参考下面的介绍：AVC VIDEO PACKET |
AVC VIDEO PACKET
关于下面这块内容有兴趣的话可以结合h264结构来看，不感兴趣的话可以直接跳过。
AVC VIDEO PACKET的结构:
| Field | Type | Comment |
|---|---|---|
| AVC packet类型 | UI8 | 0：AVC序列头 1：AVC NALU单元 2：AVC序列结束。低级别avc不需要。 |
| CTS | UI24 | 如果AVC packet类型是1，则为cts偏移(见下面的解释)。 如果AVC packet类型是0，则为0 |
| 数据 | UI[8*n] | 如果AVC packet类型是0，则是解码器配置，sps，pps。 如果是1，则是nalu单元，可以是多个。 |
关于CTS：这是一个比较难以理解的概念，需要和pts，dts配合一起理解。
首先，pts（presentation time stamps），dts(decoder timestamps)，cts(CompositionTime)的概念：
pts：显示时间，也就是接收方在显示器显示这帧的时间。单位为1/90000 秒。
dts：解码时间，也就是rtp包中传输的时间戳，表明解码的顺序。单位单位为1/90000 秒。——根据后面的理解，pts就是标准中的CompositionTime
cts偏移：cts = (pts - dts) / 90 。cts的单位是毫秒。
pts和dts的时间不一样，应该只出现在含有B帧的情况下，也就是profile main以上。baseline是没有这个问题的，baseline的pts和dts一直相同，所以cts一直为0。
AVC VIDEO PACKET中Data的结构:
| Field | Type | Comment |
|---|---|---|
| 长度 | UI32 | nalu单元的长度，不包括长度字段。 |
| nalu数据 | UI[8*n] | NALU数据，没有四个字节的nalu单元头，直接从h264头开始，比如：65 ** ** **，41 ** ** ** |
| 长度 | UI32 | nalu单元的长度，不包括长度字段。 |
| nalu数据 | UI[8*n] | NALU数据，没有四个字节的nalu单元头，直接从h264头开始，比如：65 ** ** **，41 ** ** ** |
| ... | ... | ... |
解析FLV
在理解了FLV结构的基础上，就可以尝试去解析一个FLV文件了。在阅读代码的过程中，遇到不懂的地方可以返回去看FLV结构，加深理解。
