MP4文件中的所有数据都装在box（QuickTime中为atom）中，也就是说MP4文件由若干个box组成，每个box有类型和长度，可以将box理解为一个数据对象块。box中可以包含另一个box，这种box称为container box。一个MP4文件首先会有且只有一个“ftyp”类型的box，作为MP4格式的标志并包含关于文件的一些信息；之后会有且只有一个“moov”类型的box（Movie Box），它是一种container box，子box包含了媒体的metadata信息；MP4文件的媒体数据包含在“mdat”类型的box（Media Data Box）中，该类型的box也是container box，可以有多个，也可以没有（当媒体数据全部引用其他文件时），媒体数据的结构由metadata进行描述。
下面是一些概念：
track 表示一些sample的集合，对于媒体数据来说，track表示一个视频或音频序列。
hint track 这个特殊的track并不包含媒体数据，而是包含了一些将其他数据track打包成流媒体的指示信息。
sample 对于非hint track来说，video sample即为一帧视频，或一组连续视频帧，audio sample即为一段连续的压缩音频，它们统称sample。对于hint track，sample定义一个或多个流媒体包的格式。
sample table 指明sampe时序和物理布局的表。
chunk 一个track的几个sample组成的单元。
一个典型的MP4文件的结构树。
- File Type Box（ftyp）(刚开始文件头)
length（4字节）：0x0000001８：box的长度是24字节；
boxtype（4字节）：0x66747970：“ftyp”的ASCII码，box的标识；
major_brand（4字节）：0x6D703432：“mp42“的ASCII码；
minor_version（4字节）：0x00000000：mp42的版本号；
compatible_brands（8字节）：说明本文件遵从（或称兼容）ismo,iso2,mp41三种协议。0x6D7034326D703431
- Movie Box（moov）
该box包含了文件媒体的metadata信息，“moov”是一个container box，具体内容信息由子box诠释。同File Type Box一样，该box有且只有一个，且只被包含在文件层。一般情况下，“moov”会紧随“ftyp”出现
Movie Header Box(mvhd)
解析如下：
字段 | 字节数 | 意义 |
box size | 4 | box大小 0x0000006c |
box type | 4 | box类型 0x6D766864 |
version | 1 | box版本，0或1，一般为0。（以下字节数均按version=0） 0x00 |
flags | 3 | 0x000000 |
creation time | 4 | 创建时间（相对于UTC时间1904-01-01零点的秒数） 0xCB0AB2A0 |
modification time | 4 | 修改时间 0xCB0AB2A0 |
time scale | 4 | 文件媒体在1秒时间内的刻度值，可以理解为1秒长度的时间单元数 0x00015F90 -->90000 |
duration | 4 | 该track的时间长度，用duration和time scale值可以计算track时长，比如audio track的time scale = 8000, duration = 560128，时长为70.016，video track的time scale = 600, duration = 42000，时长为70 0x0039CD80 --->3788160 |
rate | 4 | 推荐播放速率，高16位和低16位分别为小数点整数部分和小数部分，即[16.16] 格式，该值为1.0（0x00010000）表示正常前向播放 0x00010000 |
volume | 2 | 与rate类似，[8.8] 格式，1.0（0x0100）表示最大音量 0x0100 |
reserved | 10 | 保留位 |
matrix | 36 | 视频变换矩阵 |
pre-defined | 24 |
|
next track id | 4 | 下一个track使用的id号 0x00000003 |
trak）
“trak”也是一个container box，其子box包含了该track的媒体数据引用和描述（hint track除外）。一个MP4文件中的媒体可以包含多个track，且至少有一个track，这些track之间彼此独立，有自己的时间和空间信息。“trak”必须包含一个“tkhd”和一个“mdia”，此外还有很多可选的box（略）。其中“tkhd”为track header box，“mdia”为media box，该box是一个包含一些track媒体数据信息box的container box
tkhd）
字段 | 字节数 | 意义 |
box size | 4 | box大小 0x0000005C |
box type | 4 | box类型 0x746B6864 |
version | 1 | box版本，0或1，一般为0。（以下字节数均按version=0）0x00 |
flags | 3 | 按位或操作结果值，预定义如下： 0x000001 track_enabled，否则该track不被播放； 0x000002 track_in_movie，表示该track在播放中被引用； 0x000004 track_in_preview，表示该track在预览时被引用。 一般该值为7，如果一个媒体所有track均未设置track_in_movie和track_in_preview，将被理解为所有track均设置了这两项；对于hint track，该值为0 0x000001 |
creation time | 4 | 创建时间（相对于UTC时间1904-01-01零点的秒数） 0xCB0AB2A0 |
modification time | 4 | 修改时间 0xCB0AB2A0 |
track id | 4 | id号，不能重复且不能为0 0x00000001 |
reserved | 4 | 保留位 0x00000000 |
duration | 4 | track的时间长度 0x0039BC68 |
reserved | 8 | 保留位 |
layer | 2 | 视频层，默认为0，值小的在上层 0x0000 |
alternate group | 2 | track分组信息，默认为0表示该track未与其他track有群组关系 0x0000 |
volume | 2 | [8.8] 格式，如果为音频track，1.0（0x0100）表示最大音量；否则为0 0x0000 |
reserved | 2 | 保留位 |
matrix | 36 | 视频变换矩阵 |
width | 4 | 宽 0x0F000000 |
height | 4 | 高，均为 [16.16] 格式值，与sample描述中的实际画面大小比值，用于播放时的展示宽高 0x08700000 |
mdia）
mdia”也是个container box
实例结构图
2.2.1 Media Header Box（mdhd）
解析如下
字段 | 字节数 | 意义 |
box size | 4 | box大小 0x00000020 |
box type | 4 | box类型 0x6D646864 |
version | 1 | box版本，0或1，一般为0。（以下字节数均按version=0） 0x00 |
flags | 3 | 0x000000 |
creation time | 4 | 创建时间（相对于UTC时间1904-01-01零点的秒数） 0xCB0AB2A0 |
modification time | 4 | 修改时间 0xCB0AB2A0 |
time scale | 4 | 同前表 0x00007512 |
duration | 4 | track的时间长度 0x001339E0 |
language | 2 | 媒体语言码。最高位为0，后面15位为3个字符（见ISO 639-2/T标准中定义） 0x15C7 |
pre-defined | 2 | 0x0000 |
2.2.2 hdlr）
hdlr”解释了媒体的播放过程信息，该box也可以被包含在meta box（meta）中。“hdlr”结构如下表
字段 | 字节数 | 意义 |
box size | 4 | box大小 0x00000044 |
box type | 4 | box类型 0x68646C72 |
version | 1 | box版本，0或1，一般为0。（以下字节数均按version=0） 0x00 |
flags | 3 | 0x000000 |
pre-defined | 4 | 0x00000000 |
handler type | 4 | 在media box中，该值为4个字符： “vide”— video track “soun”— audio track “hint”— hint track 0x76696465 |
reserved | 12 |
|
name | 不定 | track type name，以‘\0’结尾的字符串 |
2.2.3 minf)
“minf”存储了解释track媒体数据的handler-specific信息，media handler用这些信息将媒体时间映射到媒体数据并进行处理。“minf”中的信息格式和内容与媒体类型以及解释媒体数据的media handler密切相关，其他media handler不知道如何解释这些信息。“minf”是一个container box，其实际内容由子box说明。 一般情况下，“minf”包含一个header box，一个“dinf”和一个“stbl”，其中，header box根据track type（即media handler type）分为“vmhd”、“smhd”、“hmhd”和“nmhd”，“dinf”为data information box，“stbl”为sample table box。
几种颜色分别标明minf, vmhd,dinf,stbl
Meida Data Box（mdat）
该box包含于文件层，可以有多个，也可以没有（当媒体数据全部为外部文件引用时），用来存储媒体数据。数据直接跟在box type字段后面，具体数据结构的意义需要参考metadata（主要在sample table中描述）。
普通MP4文件的结构就讲完了，可能会比较乱，下面这张图是常见的box的树结构图，可以用来大致了解MP4文件的构造。
对原有的文件：
ffmpeg -i test-20mbps.mp4
ffmpeg命令进行裁剪：（从第20秒开始取20秒）
ffmpeg -i test-20mbps.mp4 -ss 00:00:20 -t 20 test-20mbps-20sec.mp4
左边裁剪后的文件(原来的mp42换成通用的isom,一上来就是mdat)，右边为在此基础上提取视频（去声音）
