BOX结构分析
MP4 文件中所有数据都封装在 box 中，每个 box 有类型和长度，box 之间可以嵌套，这就形成了如图所示的树状结构。
Box中的字节序为网络字节序，也就是大端字节序（Big-Endian）。Box由header和body组成，其中header统一指明box的大小和类型，body根据类型有不同的意义和格式。
标准的box开头的4个字节（32位）为box size，该大小包括box header和box body整个box的大小，这样我们就可以在文件中定位各个box。如果size为1，则表示这个box的大小为large size，真正的size值要在largesize域上得到。（实际上只有“mdat”类型的box才有可能用到large size。）如果size为0，表示该box为文件的最后一个box，文件结尾即为该box结尾。（同样只存在于“mdat”类型的box中）。
box size后面的4个字节表示box type，一般是4个字符，表示固定含义。如果box type是“uuid”，表示该box为用户扩展类型，解析时将其忽略。Box的组成如图所示。
1.ftyp
ftyp box的全称为File Type Box，是MP4格式的标志，包含关于文件的一些信息，描述文件遵从的MP4规范和版本。该box通常放在文件的开始，便于解码器基于相应的协议对文件进行解析。目标文件的ftyp box如图所示。
ftyp box中描述了最推荐的解析格式（major brand），版本（minor version）和可兼容的版本（compatible brands）。根据解析出的信息，该box的类型为ftyp，box长度为32字节，box body长度为28字节，最推荐的解析格式为isom，版本为512，可兼容的文件格式有isom，mp41，avc1。
2.free
free box的全称为Free Space Box，这类box不是必须的，该box内容也不会影响媒体文件的播放。Box中的内容不相关，可以忽略，也可以删除对象，但不会影响表示。
3.mdat
mdat box的全称为Media Data Box，用于存放具体的媒体数据信息。
4.moov
moov box的全称为Movie Box，该box包含了文件媒体的metadata信息，是一个container box（嵌套其他box的box），具体详细信息由子box给出。经过流化的文件moov在mdat之前，便于对文件头信息进行解析后再对媒体数据进行解析。本文件没有经过流化所以moov在mdat后。
moov中最重要的两个box是mvhd和trak，其中mvhd是针对整个影片的信息，trak是针对单个轨道的信息。
4.1 mvhd
mvhd box的全称为Movie Header Box，它存放了MP4文件的整体信息，跟具体的音视频流无关，比如创建时间、文件时长等。
mvhd box中描述了创建时间（create time）、修改时间（modification time）、时间刻度（time scale）、媒体时长（duration）、下一个trak box的id（next track id）、音量（volume）和播放速度（rate）等信息。
根据解析出的信息，该影片的时间刻度为1000，即把1s分成了1000个单元，通过duration和timescale的信息可以得知媒体时长为duration/timescale=4022/1000=4.022s。媒体的音量和推荐播放速度都是1.0。
4.2 trak
trak box的全称为Track Box，它也是一个Container Box，包含了单个轨道的metadata信息。通常一个Mp4文件媒体数据中，包含一个或多个track，每个track都包含自己的时间和空间信息，且彼此独立。每个track中，也包含了与之相关的媒体信息。Trak box中包含了两个关键box： 包含流协议分组化信息的Track Header Box和包含媒体数据的Media Box。
4.2.1 tkhd
tkhd box的全称为Track Header Box，用于描述track的基本属性。
根据解析出的信息，该轨道的时长为4000/1000=4s，分辨率为1920*1080。从宽高比可以判断这是一个视频轨道（与hdlr中的video相对应），并且轨道的叠加顺序在最上层。
4.2.2 edts
edts box的全称是Edit Box，是一个Container Box。
4.2.2.1 elst
elst box的全称为Edit List Box，负责跟踪媒体的时间和持续时间。
4.2.3 mdia
mdia box的全称是Media Box，是一个Container Box，其子Box描述了轨道的媒体数据样本的主要信息，对播放器来说是一个重要的box。
4.2.3.1 mdhd
mdhd box的全称是Media Header Box，该box声明了媒体的整体信息。根据解析出的信息，该轨道的实际时长为51200/12800=4s。
4.2.3.2 hdlr
hdlr box的全称是Handler Reference Box，该box声明当前track的类型，以及对应的处理器（handler），决定了track中媒体数据播放的处理过程。
其中handler_type有三种取值：表示video track的vide，表示audio track的soun，表示hint track的hint。根据解析出的信息，第一个轨道的处理器类型为video，说明这是一个视频流轨道；第二个轨道的处理器类型为sound，说明这是一个音频流轨道。
4.2.3.3 minf
minf box的全称为Media Information Box，该box声明了媒体特征信息的所有对象。
vmhd box的全称为Video Media Header Box，是视频轨道的头信息，存放视频轨道的整体信息。其中graphicsmode 指定此视频轨道的合成模式，opcolor是一组3原色值（红色，绿色，蓝色），供graphicsmode 使用。
dinf box的全称为Data Information Box，包含媒体信息在track中的位置信息，包含一个dref类型的子box。Dref box的全称为Data Reference Box，该box包含一个数据引用表（通常是URL）用于声明播放需要使用到的媒体数据的位置。
stbl box的全称为Sample Table Box，它表示样本表容器，是MP4规范中非常重要的容器。它包含了一个track中所有媒体样本的所有时间和数据的引用，该box对解码和渲染mp4文件很关键。使用容器中的sample信息，可以定位sample的媒体时间、定位其类型，决定其大小，以及在其它容器中，确定相邻sample的offset。
stsd box的全称为Sample Description Box，它表示样本描述容器，提供了编码类型和用于编码初始化的详细信息。该box给出视频、音频的编码、宽高、音量等信息，以及每个sample中包含多少个frame。Stsd box的子box为avc1，说明了视频的编码类型avc1和宽高比等编码信息。Avc1 box下的avcc box更具体地描述了编码的格式、版本、时间戳等信息。
stts box的全称为Decoding Time to Sample Box，它存储了sample的duration，描述了sample时序的映射方法，我们通过它可以找到任何时间的sample，为调整媒体播放进度提供了可能。
stss box的全称为Sync Sample Box，该Box提供流中同步样本的紧凑标记，标记了关键帧，提供随机访问点标记。 它包含了一个table， table的每个entry标记了一个sample，该sample是媒体关键帧。table按sample编号的严格递增顺序排列。如果不存在该Box，则每个sample都是关键帧。
ctts box的全称为Composition Time to Sample Box，用于同步pts和dts。H264编码中B帧采用双向预测导致帧重排，解码顺序和显示顺序不同，从而使pts和dts有偏差。通过CTS记录偏差，计算ctts=CTS-DTS，用于回复解码的时间戳。
stsc box的全称为Sample To Chunk Box，该box用一个表描述了sample与chunk的映射关系（每个chunk中包含几个sample），查看这张表就可以找到包含指定sample的chunk，从而找到这个sample。
stsz box的全称为Sample Size Boxes，该box定义了每个sample的大小，包含了媒体中全部sample的数目和一张给出每个sample大小的表。这个box相对来说体积是比较大的。
stco box的全称为Chunk Offset Box，定义了每个thunk在媒体流中的位置。位置有两种可能，32位的和64位的，后者对非常大的电影很有用。在一个表中只会有一种可能，这个位置是在整个文件中的，而不是在任何box中的，这样做就可以直接在文件中找到媒体数据，而不用解释box。
