大家都會關(guān)注“在瀏覽器輸入一個(gè)地址，然后回車，會發(fā)生什么”這樣一個(gè)問題，但是有沒有想過這樣一個(gè)問題：主播開始直播，用戶打開客戶端觀看，這個(gè)過程發(fā)生了什么？

隨著技術(shù)的發(fā)展，直播技術(shù)對人們生活的滲透日益加深。從最開始的游戲直播，到前幾天爆出來的教育直播，甚至現(xiàn)在都有直播招聘。

而我們喜歡的這些直播，他們用到的傳輸協(xié)議有一個(gè)通用名-流媒體傳輸協(xié)議。

要認(rèn)識流媒體協(xié)議，就離不開下面的三大系列名詞。

三大系列名詞

系列一：AVI、MPEG、RMVB、MP4、MOV、FLV、WebM、WMV、ASF、MKV。是不是就 MP4 看著熟悉？

系列二：H.261、H.262、H.263、H.264、H.265。能認(rèn)出來幾個(gè)？別著急，重點(diǎn)關(guān)注 H.264。

系列三：MPEG-1、MPEG-2、MPEG-4、MPEG-7。是不是更懵逼了？

在解釋上面的三大系列名詞之前，咱們先來了解下，視頻究竟是什么？

博主記得小時(shí)候，經(jīng)常會玩一種叫動感畫冊的東西。一本很小的畫冊上，每一頁都畫了一幅圖，用手快速的翻過每一頁，就能看到一個(gè)很短的“動畫片”。

沒錯(cuò)，咱們看到的視頻，本質(zhì)上就是一連串快速播放的圖片。

每一張圖片，我們稱為一幀。只要每秒鐘的數(shù)據(jù)足夠多，也就是播放速度足夠快，人眼就看不出是一張張獨(dú)立的圖片。對于人眼而言，這個(gè)播放臨界速度是每秒 30 幀，而這里的 30 也就是我們常說的幀率（FPS)。

每一張圖片，都是由像素組成，而每個(gè)像素又是由 RGB 組成，每個(gè) 8 位，共 24 位。

我們假設(shè)一個(gè)視頻中的所有圖片的像素都是 1024*768，可以大概估算下視頻的大?。?/p>

每秒鐘大小 = 30 幀 x 1024 x 768 x 24 = 566,231,010 Bits = 70,778,880 Bytes

按我們上面的估算，一分鐘的視頻大小就是 4,,246,732,800 Bytes，這里已經(jīng)有 4 個(gè) G 了。

是不是和我們?nèi)粘＝佑|到的視頻大小明顯不符？這是因?yàn)槲覀冊趥鬏數(shù)倪^程中，將視頻壓縮了。

為什么要壓縮視頻？按我們上面的估算，一個(gè)一小時(shí)的視頻，就有 240G，這個(gè)數(shù)據(jù)量根本沒辦法存儲和傳輸。因此，人們利用編碼技術(shù)，給視頻“瘦身”，用盡量少的 Bit 數(shù)保持視頻，同時(shí)要保證播放的時(shí)候，畫面仍然很清晰。實(shí)際上，編碼就是壓縮的過程。

視頻和圖片的壓縮特點(diǎn)

我們之所以能夠?qū)σ曨l流中的圖片進(jìn)行壓縮，因?yàn)橐曨l和圖片有下列這些特點(diǎn)：

空間冗余：圖像的相鄰像素之間有較強(qiáng)的相關(guān)性，一張圖片相鄰像素往往是漸變的，而不是突變的，沒必要每個(gè)像素都完整的保存，可以隔幾個(gè)保存一個(gè)，中間的用算法計(jì)算出來。

時(shí)間冗余：視頻序列的相鄰圖像之間內(nèi)容相似。一個(gè)視頻中連續(xù)出現(xiàn)的圖片也不是突變的，可以根據(jù)已有的圖片進(jìn)行預(yù)測和推斷。

視覺冗余：人的視覺系統(tǒng)對某些細(xì)節(jié)不敏感，因此不會注意到每一個(gè)細(xì)節(jié)，可以允許丟失一些數(shù)據(jù)。

編碼冗余：不同像素值出現(xiàn)的概率不同，概率高的用的字節(jié)少，概率低的用的字節(jié)多，類似霍夫曼編碼的思路。

從上面這些特點(diǎn)中可以看出，用于編碼的算法非常復(fù)雜，而且多種多樣。雖然算法多種，但編碼過程實(shí)際上是類似的，如下圖：

視頻編碼的兩大流派

視頻編碼的算法這么多，能不能形成一定的標(biāo)準(zhǔn)呢？當(dāng)然能，這里咱們就來認(rèn)識下視頻編碼的兩大流派。

流派一：ITU（International tELECOMMUNICATIONS Union）的 VCEG（Video Coding Experts Group），這個(gè)稱為國際電聯(lián)下的 VCEG。既然是電信，可想而知，他們最初是做視頻編碼，主要側(cè)重傳輸。我們上面的系列名詞二，就是這個(gè)組織制定的標(biāo)準(zhǔn)。

流派二：ISO（International Standards Organization）的 MPEG（Moving Picture Experts Group），這個(gè)是ISO 旗下的 MPEG。本來是做視頻存儲的，就像咱們場面常說的 VCD 和 DVD。后來也慢慢側(cè)重視頻傳輸了。系列名詞三就是這個(gè)組織制定的標(biāo)準(zhǔn)。

后來，ITU-T（國際電信聯(lián)盟電信標(biāo)準(zhǔn)化部門）與 MPEG 聯(lián)合制定了 H.264/MPEG-4 AVC，這也是我們重點(diǎn)關(guān)注的。

直播數(shù)據(jù)傳輸

視頻經(jīng)過編碼之后，生動活潑的一幀幀圖像就變成了一串串讓人看不懂的二進(jìn)制。這個(gè)二進(jìn)制可以放在一個(gè)文件里，然后按照一定的格式保存起來，這里的保存格式，就是系列名詞一。

編碼后的二進(jìn)制文件就可以通過某種網(wǎng)絡(luò)協(xié)議進(jìn)行封裝，放在互聯(lián)網(wǎng)上傳輸，這個(gè)時(shí)候就可以進(jìn)行網(wǎng)絡(luò)直播了。

網(wǎng)絡(luò)協(xié)議將編碼好的視頻流，從主播端推送到服務(wù)器，在服務(wù)器上有個(gè)運(yùn)行了同樣協(xié)議的服務(wù)端來接收這些網(wǎng)絡(luò)數(shù)據(jù)包，從而得到里面的視頻流，這個(gè)過程稱為接流。

服務(wù)端接到視頻流之后，可以滴視頻流進(jìn)行一定的處理，比如轉(zhuǎn)碼，也就是從一個(gè)編碼格式轉(zhuǎn)成另一種格式，這樣才能適應(yīng)各個(gè)觀眾使用的客戶端，保證他們都能看到直播。

流處理完畢后，就可以等待觀眾的客戶端來請求這些視頻流。觀眾的客戶端請求視頻流的過程稱為拉流。

如果有非常多的觀眾同時(shí)看一個(gè)視頻直播，都從一個(gè)服務(wù)器上拉流，壓力就非常大，因此需要一個(gè)視頻的分發(fā)網(wǎng)絡(luò)，將視頻預(yù)先加載到就近的邊緣節(jié)點(diǎn)，這樣大部分觀眾就能通過邊緣節(jié)點(diǎn)拉取視頻，降低服務(wù)器的壓力。

當(dāng)觀眾將視頻流拉下來后，就需要進(jìn)行解碼，也就是通過上述過程的逆過程，將一串串看不懂的二進(jìn)制轉(zhuǎn)變成一幀幀生動的圖片，在客戶端播放出來。

整個(gè)直播過程，可以用下圖來描述：

接下來，我們依次來看一下每個(gè)過程：

編碼：將豐富多彩的圖片變成二進(jìn)制流

雖然我們說視頻是一張張圖片的序列，但如果每張圖片都完整，就太大了，因而會將視頻序列分成三種幀：

I幀，也稱關(guān)鍵幀。里面是完整的圖片，只需要本幀數(shù)據(jù)，就可以完成解碼。

P幀，前向預(yù)測編碼幀。P 幀表示的是這一幀跟之前一個(gè)關(guān)鍵幀（或 P 幀）的差別，解碼時(shí)需要用之前緩存的畫面，疊加上和本幀定義的差別，生成最終畫面。

B幀，雙向預(yù)測內(nèi)插編碼幀。B 幀記錄的是本幀與前后幀的差別。要解碼 B 幀，不僅要取得之前的緩存畫面，還要解碼之后的畫面，通過前后畫面的數(shù)據(jù)與本幀數(shù)據(jù)的疊加，取得最終的畫面。

可以看出，I 幀最完整，B 幀壓縮率最高，而壓縮后幀的序列，應(yīng)該是 IBBP 間隔出現(xiàn)。這就是通過時(shí)序進(jìn)行編碼。

在一幀中，分成多個(gè)片，每個(gè)片中分成多個(gè)宏塊，每個(gè)宏塊分成多個(gè)子塊，這樣將一張大圖分解成一個(gè)個(gè)小塊，可以方便進(jìn)行空間上的編碼。如下圖：

盡管時(shí)空非常立體的組成了一個(gè)序列，但總歸還是要壓縮成一個(gè)二進(jìn)制流。這個(gè)流是有結(jié)構(gòu)的，是一個(gè)個(gè)的網(wǎng)絡(luò)提取層單元（NALU，Network Abstraction Layer Unit）。變成這種格式就是為了傳輸，因?yàn)榫W(wǎng)絡(luò)上的傳輸，默認(rèn)的是一個(gè)個(gè)的包，因而這里也就分成了一個(gè)個(gè)的單元。

如上圖，每個(gè) NALU 首先是一個(gè)起始標(biāo)識符，用于標(biāo)識 NALU 之間的間隔。然后是 NALU 的頭，里面主要配置了 NALU 的類型。最后的 Payload 里面是 NALU 承載的數(shù)據(jù)。

在 NALU 頭里面，主要的內(nèi)容是類型 NAL Type，其中：

0x07 表示 SPS，是序列參數(shù)集，包括一個(gè)圖像序列的所有信息，如圖像尺寸、視頻格式等。

0x08 表示 PPS，是圖像參數(shù)集，包括一個(gè)圖像的所有分片的所有相關(guān)信息，包括圖像類型、序列號等。

在傳輸視頻流之前，剝削要傳輸者兩類參數(shù)，不然就無法解碼。為了保證容錯(cuò)性，每一個(gè) I 幀之前，都會傳一遍這兩個(gè)參數(shù)集合。

如果 NALU Header 里面的表示類型是 SPS 或 PPS，則 Payload 中就是真正的參數(shù)集的內(nèi)容。

如果類型是幀，則 Payload 中是真正的視頻數(shù)據(jù)。當(dāng)然也是一幀幀保存的。前面說了，一幀的內(nèi)容還是挺多的，因而每一個(gè) NALU 里面保存的是一片。對于每一片，到底是 I 幀，還是 P 幀，亦或是 B 幀，在片結(jié)構(gòu)里面也有 Header，這里面有個(gè)類型用來標(biāo)識幀的類型，然后是片的內(nèi)容。

這樣，整個(gè)格式就出來了。一個(gè)視頻，可以拆分成一系列的幀，每一幀拆分成一系列的片，每一片都放在一個(gè) NALU 里面，NALU 之間都是通過特殊的起始標(biāo)識符分隔，在每一個(gè) I 幀的第一片前面，要插入單獨(dú)保存 SPS 和 PPS 的 NALU，最終形成一個(gè)長長的 NALU 序列。

推流：將數(shù)據(jù)流打包傳輸?shù)綄Χ?/p>

形成 NALU 序列后，還需要將這個(gè)二進(jìn)制的流打包成網(wǎng)絡(luò)包進(jìn)行發(fā)送。這里我們以 RTMP 協(xié)議為例，進(jìn)入第二個(gè)過程，推流。

RTMP 是基于 TCP 的，因而也需要雙方建立一個(gè) TCP 連接。在有 TCP 的連接的基礎(chǔ)上，還需要建立一個(gè) RTMP 連接，也就是在程序里面，我們調(diào)用 RTMP 類庫的 Connet 函數(shù)，顯式創(chuàng)建一個(gè)連接。

RTMP 為什么需要建立一個(gè)單獨(dú)的連接呢？

因?yàn)?a target="_blank">通信雙方需要商量一些事情，保證后續(xù)的傳輸能正常進(jìn)行。其實(shí)主要就是兩個(gè)事情：

確定版本號。如果客戶端、服務(wù)端的版本號不一致，就不能正常工作；

確定時(shí)間戳。視頻播放中，時(shí)間是很重要的一個(gè)元素，后面的數(shù)據(jù)流互通的時(shí)候，經(jīng)常要帶上時(shí)間戳的差值，因而一開始雙方就要知道對方的時(shí)間戳。

溝通這些事情，需要發(fā)送 6 條消息：

客戶端發(fā)送 C0、C1、C2

服務(wù)端發(fā)送 S0、S1、S2

首先，客戶端發(fā)送 C0 表示自己的版本號，不必等對方回復(fù)，然后發(fā)送 C1 表示自己的時(shí)間戳。

服務(wù)器只有在收到 C0 的時(shí)候，才會返回 S0，表明自己的版本號，如果版本不匹配，可以斷開連接。

服務(wù)器發(fā)送完 S0 后，也不用等待，就直接發(fā)送自己的時(shí)間戳 S1。

客戶端收到 S1 時(shí)，發(fā)一個(gè)知道了最煩時(shí)間戳的 ACK C2。同理，服務(wù)器收到 C1 的時(shí)候，發(fā)一個(gè)知道了對方時(shí)間戳的 ACK S2。

于是，握手完成。

握手之后，雙方需要互相傳遞一些控制信息，例如 Chunk 塊的大小、窗口大小等。

真正傳輸數(shù)據(jù)的時(shí)候，還是需要?jiǎng)?chuàng)建一個(gè)流 Stream，然后通過這個(gè) Stream 來推流。

推流的過程，就是講 NALU 放在 Message 里面發(fā)送，這個(gè)也稱為RTMP Packet 包。其中，Message 的格式就像下圖所示：

發(fā)送的時(shí)候，去掉 NALU 的起始標(biāo)識符。因?yàn)檫@部分對于 RTMP 協(xié)議來講沒有用。接下來，將 SPS 和 PPS 參數(shù)集封裝成一個(gè) RTMP 包發(fā)送，然后發(fā)送一個(gè)個(gè)片的 NALU。

RTMP 在收發(fā)數(shù)據(jù)的時(shí)候并不是以 Message 為單位的，而是把 Message 拆分成 Chunk 發(fā)送，而且必須在一個(gè) Chunk 發(fā)送完成之后，才能開始發(fā)送下一個(gè) Chunk。每個(gè) Chunk 中都帶有 Message ID，表示屬于哪個(gè) Message，接收端也會按照這個(gè) ID 將 Chunk 組裝成 Message。

前面連接的時(shí)候，設(shè)置 Chunk 塊大小就是指這個(gè) Chunk。將大的消息變?yōu)樾〉膲K再發(fā)送，可以在低帶寬的情況下，減少網(wǎng)絡(luò)擁塞。

下面用一個(gè)分塊的示例，來了解下 RTMP 是如何分塊的。

假設(shè)一個(gè)視頻的消息長度是 307，而 Chunk 大小約定為 128，那么消息就會被拆分為 3 個(gè) Chunk。

第一個(gè) Chunk 的 Type = 0，表示 Chunk 頭是完整的。頭里面 Timestamp 為 1000，總長度 Length 為 307，類型為 9，是個(gè)視頻，Stream ID 為 12346，正文部分承擔(dān) 128 個(gè)字節(jié)的 Data。

第二個(gè) Chunk 也要發(fā)送 128 個(gè)字節(jié)，但是由于 Chunk 頭和第一個(gè)一樣，因此它的 Chunk Type = 3，表示頭和第一個(gè) Chunk 一樣。

第三個(gè) Chunk 要發(fā)送的 Data 的長度為 51 個(gè)字節(jié)，Chunk Type 還是用的 3。

就這樣，數(shù)據(jù)源源不斷的到達(dá)流媒體服務(wù)器，整個(gè)過程就像下圖：

這個(gè)時(shí)候，大量觀看直播的觀眾就可以通過 RTMP 協(xié)議從流媒體服務(wù)器上拉取。為了減輕服務(wù)器壓力，我們會使用分發(fā)網(wǎng)絡(luò)。

分發(fā)網(wǎng)絡(luò)分為中心和邊緣兩層。邊緣層服務(wù)器部署在全國各地及橫跨各大運(yùn)營商里，和用戶距離很近。而中心層是流媒體服務(wù)集群，負(fù)責(zé)內(nèi)容的轉(zhuǎn)發(fā)。

智能負(fù)載均衡系統(tǒng)，根據(jù)用戶的地理位置信息，就近選擇邊緣服務(wù)器，為用戶提供推/拉流服務(wù)。中心層也負(fù)責(zé)轉(zhuǎn)碼服務(wù)。例如，將 RTMP 協(xié)議的碼流轉(zhuǎn)換成 HLS 碼流。

拉流：觀眾的客戶端看到直播視頻

接下來，我們再來看看觀眾通過 RTMP 拉流的過程。

先讀到的是 H.264 的解碼參數(shù)，例如 SPS 和 PPS，然后對收到的 NALU 組成一個(gè)個(gè)幀，進(jìn)行解碼，交給播放器播放，這樣客戶端就能看到直播視頻了。

小結(jié)

視頻名詞比較多，編碼兩大流派達(dá)成了一致，都是通過時(shí)間、空間的各種算法來壓縮數(shù)據(jù)；

壓縮好的數(shù)據(jù)，為了傳輸而組成一系列的 NALU，按照幀和片依次排列；

排列好的 NALU，在網(wǎng)絡(luò)傳輸?shù)氖?，要按?RTMP 包的格式進(jìn)行包裝，RTMP 的包會拆分成 Chunk 進(jìn)行傳輸；

推送到流媒體集群的視頻流經(jīng)過轉(zhuǎn)碼和分發(fā)，可以被客戶端通過 RTMP 協(xié)議拉取，然后組合成 NALU，解碼成視頻格式進(jìn)行播放。
編輯：hfy