RTMP协议封装H264和H265协议详解

1 RTMP和FLV

前文所述，RTMP传输音视频消息时，其RTMP负载采用的时FLV的封装格式，这个说法有点不太准确，RTMP音视频消息负载并不是完整的flv封装，其只是采用了FLV tag body的封装格式，这里为什么不采用完整的flv格式封装呢? 这是因为RTMP header中携带的信息及RTMP推拉流交互中的消息的传递，已经能够完全覆盖FLV头字段及tag头字段所携带的信息，本周最小数据的原则，这里只保留了flv的 video/audio tag body格式，有关Video tag和Audio tag封装格式，可查阅规范《video_file_format_spec_v10.pdf》。

本文主要介绍RTMP发送H264和H265视频时，其RTMP视频消息的格式介绍及抓包分析。

2 RTMP协议封装H264视频流

从《流媒体之RTMP详解》这篇文章中我们详细介绍了RTMP推流和拉流的流程，这里就不做介绍，这里只介绍RTMP视频消息的格式，其他类型消息及交互过程可查阅此篇文章。

RTMP 视频消息与其他格式的消息一样，由消息头和消息体组成，根据前文介绍的消息分块传输的方式，拆分消息时，只把消息体拆分为多个chunk data，消息头融合进chunk header中，由chunk header + chunk data组成，很多文章直接把其称为RTMP Header和RTMP Body，wireshark中就这样标注。 chunk header中Chunk stream ID 是用来区分消息信道的，因为 RTMP 协议，所有的通信都是通过同一个 TCP 来完成的，因此所有类型的通信信道需要由 Chunk stream ID 来进行区分，从而判断当前收到的消息所属的信道类型，此是由用户定义的，Adobe 建议采用如下的分类：

其中obs推流、ffmpeg推流都有自己的定义方式，与这个略有不同，CSID再解析式可只作为一路流的通道，由Message Type来标识音视频，消息类型定义如下图所示：

这里可以看出视频消息的消息类型为9，当消息类型为9时，表示其消息体为video tag body(Video Data)封装格式的视频数据，有关Video Data的封装格式如下图所示（video_file_format_spec_v10 flv/f4v规范）：

• 帧类型(frametype):占高4位，定义视频的帧类型
• 编码类型(CodecId):占低四位，定义了视频的编码格式，H264为7，videodata采用AVCVIDEOPACKET格式
• 视频数据(videoData)：根据编码类型选择对应的视频数据封装格式，这里介绍H264，选择AVCVIDEOPACKET格式 AVCVIDEOPACKET格式如下图所示：
• AVC包类型（AVCPacketType）：0表示为AVCC的序列头，这里视频打包格式不是我们常见的Annex B，而是AVCC方式，H264采用AVCC封包时，解码需要AVCC序列头，客户端解码必须接收到此序列头包才会解码；1表示H264的nalu，此包为H264数据包，与Annex B相比去除了nalu起始码00000001，增加了四个字节的nalu长度
• Comosition time offset:组合帧时间便宜，一般没啥用，直接赋值为0
• 视频数据(Data):根据AVC包类型，封装相应的数据，AVCPacketType=0时按照AVCC序列头格式封装，为1时按照nalu封装。 我的文章《fmp4打包H264详解》中详细介绍了AVCC H264的封装格式，RTMP发送视频数据时，客户端接收到AVCC 序列头之后，才能初始化解码器，进行后续nalu帧的解码操作，这里为了防止第一包数据丢失，一般服务器会在每一个IDR帧之前，都发送一包AVC sequence header，保证客户端能够在极端情况下，具备持续解码播放的能力，这里从RTMP发送AVC sequence header、AVCC Nalu来详细介绍封装格式。

2.1 RTMP发送AVC sequence header

RTMP发送AVC sequence header，其Video data封包方式(设包为buf数组)，第一个字节为buf[0]=0x17=0B00010111,其frametype为关键帧，所以高四位为1，编码类型为H264，所以低四位为7，其视频数据采用AVCVIDEOPACKET格式，AVCPacketType为AVC序列头，所以buf[1]=0,buf[2,3,4]={0,0,0},此时其Data的格式为AVCDecoderConfigurationRecord（就是AVC sequence header），AVC sequence header格式如下：

版本号固定为1，因此buf[5]=1，后面三个字节表示编码规格、编码兼容性和编码等级，从SPS中即可获取，所以buf[6]=SPS[1],buf[7=SPS[2],buf[8]=SPS[3],lengthSizeMinusOne表示用多少字节来表示nalu size，一般默认为3，其值+1，表示nalu要使用4个字节来表示长度，buf[9]= 0xFC|0x3=0xFF,下一个字节表示SPS个数，H264一般SPS只有一个，因此buf[10]=E0|01=E1,接下来就是SPS size和SPS data，SPS size站2个字节，buf[11,12,13,14]=SPS size(大端模式)，后面直接为SPS的数据，这里注意要去掉起始码之后的数据，假设去掉起始码之后SPS为24，则buf[11-12]=0x0018,buf[13-26]= SPS data,下一个字节为PPS个数，一般为1，buf[27]=1,之后为PPS Size和PPS Data，这里假设PPS Size=4，则buf[28-29]=0x04,buf[30-33]=PPS Data,至此RTMP传输的起始帧AVC sequence header组装完毕，此帧可每次随IDR帧重复发送

2.2 RTMP发送AVCC视频帧数据‘

前文介绍了RTMP发送AVC序列帧方式，真正的视频帧是如何发送的呢？真正的视频帧发送很简单，如果为I帧，buf[0]=0x17，表示关键帧，H264编码；视频帧AVCPacketType类型为AVC Nalu，所以buf[1]=1,buf[2,3,4]={0,0,0},此时其Data的格式为AVCC Nalu封装方式，即是4字节nalu大小+nalu数据(去掉起始码)，所以buf[5-8]=nalu size,buf[9-n]= nalu data，至此I帧的RTMP 负载就组合完了；P帧与I帧就第一个字节不同，P帧不是关键帧，因此frametype=2，buf[0]=0x27,其他组合方式一样，这里不做介绍。

3 RTMP协议封装H265视频流

RTMP协议中并没有介绍H265相关规范，可采用CDN联盟的HEVC扩展标准，将HEVC的VideoTagHeader定义为12，详见下图：

当HEVC编码时，CodecID=12，视频数据封装方式采用HEVC封装采用HVCC的封装格式，与AVCC类似，其无起始码，前面四个字节表示nalu的size大小，其客户端解码需要首先接收到HEVC的序列头，序列头格式如下：

格式中定义相关字段的值，可以直接从HEVC的SPS序列帧中解析得到，按照此格式组合成HEVC的序列头，其buf[0]=0x1C,表示关键帧，编码格式为HEVC，buf[1]=0表示HEVC的序列帧，buf[2-4]=0x000000,buf[5]=1,之后的编码信息赋值按照从H265的SPS中解析出的值赋值即可，其中numOfArrays表示后面数组的个数，一般为0x03,表示包含VPS/SPS/PPS，后面数组的封装方式示意如下(《ISO-14496-15 AVC file format》中有详细说明)：

// The CodecPrivate syntax shall follow the
// syntax of HEVCDecoderConfigurationRecord
// defined in ISO/IEC 14496-15.
//
// The number zero (0) shall be written to
// the configurationVersion variable until
// official finalization of 14496-15, 3rd ed.
//
// After its finalization, this field and the
// following CodecPrivate structure shall
// follow the definition of the
// HEVCDecoderConfigurationRecord in 14496-15.

unsigned int(8)  configurationVersion;
unsigned int(2)  general_profile_space;
unsigned int(1)  general_tier_flag;
unsigned int(5)  general_profile_idc;
unsigned int(32) general_profile_compatibility_flags;
unsigned int(48) general_constraint_indicator_flags;
unsigned int(8)  general_level_idc;
bit(4) reserved = ‘1111’b;
unsigned int(12) min_spatial_segmentation_idc;
bit(6) reserved = ‘111111’b;
unsigned int(2)  parallelismType;
bit(6) reserved = ‘111111’b;
unsigned int(2)  chromaFormat;
bit(5) reserved = ‘11111’b;
unsigned int(3)  bitDepthLumaMinus8;
bit(5) reserved = ‘11111’b;
unsigned int(3)  bitDepthChromaMinus8;
bit(16) avgFrameRate;
bit(2)  constantFrameRate;
bit(3)  numTemporalLayers;
bit(1)  temporalIdNested;
unsigned int(2) lengthSizeMinusOne;
unsigned int(8) numOfArrays;
for (j=0; j < numOfArrays; j++) {
  bit(1) array_completeness;
  unsigned int(1)  reserved = 0;
  unsigned int(6)  NAL_unit_type;
  unsigned int(16) numNalus;
  for (i=0; i< numNalus; i++) {
    unsigned int(16) nalUnitLength;
    bit(8*nalUnitLength) nalUnit;
  }
}

详细解释如下：

一般情况下numOfArrays=3，第一个数组为VPS相关数据，第二个数组为SPS，第三个数组为PPS

Hevc视频帧的封装式与H264类似，当为I帧时，buf[0]=0x1C，表示关键帧，H265编码；视频帧类型为HEVCNalu，所以buf[1]=1,buf[2,3,4]={0,0,0},此时其Data的格式为HEVC Nalu封装方式，即是4字节nalu大小+nalu数据(去掉起始码,需要去掉转移字节)，所以buf[5-8]=nalu size,buf[9-n]= nalu data，至此I帧的RTMP 负载就组合完了；P帧与I帧就第一个字节不同，P帧不是关键帧，因此frametype=2，buf[0]=0x2C,其他组合方式一样，这里不做介绍。

作者：壹零仓，文中涉及到一些文档可关注公众号——壹零仓获取。