开发直播app中要了解的原理

前言：每个成功者多是站在巨人的肩膀上！在做直播开发时 碰到了很多问题，在收集了许多人博客的基础上做出来了成功的直播项目并做了整理 。本文来自OneTea, 袁峥Seemygo,两位都是iOS音视频开发者,分享了他们纯干货。强烈推荐阅读原文，点击下方阅读原文，可看本文原文。

OneTea对应blog： http://www.jianshu.com/u/fd4f9c1d72e2

袁峥Seemygo对应blog: http://www.jianshu.com/u/b09c3959ab3b

【一个完整直播app架构】

【一个完整直播app技术点】

直播音视频知识点概括

1.采集视频、音频

1.1 采集视频、音频编码框架 
AVFoundation:AVFoundation是用来播放和创建实时的视听媒体数据的框架，同时提供Objective-C接口来操作这些视听数据，比如编辑，旋转，重编码

1.2 视频、音频硬件设备 
CCD图像传感器： 用于图像采集和处理的过程，把图像转换成电信号。
拾音器：声音传感器： 用于声音采集和处理的过程，把声音转换成电信号。
音频采样数据： 一般都是PCM格式
视频采样数据:： 一般都是YUV,或RGB格式 ，采集到的原始音视频的体积是非常大的，需要经过压缩技术处理来提高传输效率

2.视频处理（美颜，水印）

视频处理原理：因为视频最终也是通过GPU，一帧一帧渲染到屏幕上的，所以我们可以利用OpenGL ES，对视频帧进行各种加工，从而视频各种不同的效果，就好像一个水龙头流出的水，经过若干节管道，然后流向不同的目标
现在的各种美颜和视频添加特效的app都是利用GPUImage
这个框架实现的,.

视频处理框架 
GPUImage ： GPUImage是一个基于OpenGL ES的一个强大的图像/视频处理框架,封装好了各种滤镜同时也可以编写自定义的滤镜,其本身内置了多达120多种常见的滤镜效果。
OpenGL ：OpenGL（全写Open Graphics Library）是个定义了一个跨编程语言、跨平台的编程接口的规格，它用于三维图象（二维的亦可）。OpenGL是个专业的图形程序接口，是一个功能强大，调用方便的底层图形库。
OpenGL ES ：OpenGL ES (OpenGL for Embedded Systems) 是 OpenGL三维图形 API 的子集，针对手机、PDA和游戏主机等嵌入式设备而设计。

3.视频编码解码

3.1 视频编码框架 
FFmpeg :是一个跨平台的开源视频框架,能实现如视频编码,解码,转码,串流,播放等丰富的功能。其支持的视频格式以及播放协议非常丰富,几乎包含了所有音视频编解码、封装格式以及播放协议。

• Libswresample：可以对音频进行重采样,rematrixing 以及转换采样格式等操 作。
  

• Libavcodec： 提供了一个通用的编解码框架,包含了许多视频,音频,字幕流 等编码/解码器 。

• Libavformat：用于对视频进行封装/解封装。
  

• Libavutil：包含一些共用的函数,如随机数生成,数据结构,数学运算等。
  

• Libpostproc：用于进行视频的一些后期处理。
  

• Libswscale：用于视频图像缩放,颜色空间转换等。
  

• Libavfilter：提供滤镜功能。

X264：把视频原数据YUV编码压缩成H.264格式
VideoToolbox ：苹果自带的视频硬解码和硬编码API，但是在iOS8之后才开放。
AudioToolbox ：苹果自带的音频硬解码和硬编码API

3.2 视频编码技术 
视频压缩编码标准：对视频进行压缩(视频编码)或者解压缩（视频解码）的编码技术,比如MPEG，H.264。

这些视频编码技术是压缩编码视频的主要作用： 是将视频像素数据压缩成为视频码流，从而降低视频的数据量 。如果视频不经过压缩编码的话，体积通常是非常大的，一部电影可能就要上百G的空间。

注意：最影响视频质量的是其视频编码数据和音频编码数据，跟封装格式没有多大关系

MPEG：一种视频压缩方式，它采用了帧间压缩，仅存储连续帧之间有差别的地方 ，从而达到较大的压缩比
H.264/AVC：一种视频压缩方式,采用事先预测和与MPEG中的P-B帧一样的帧预测方法压缩，它可以根据需要产生适合网络情况传输的视频流，还有更高的压缩比，有更好的图象质量

• 注意1：如果是从单个画面清晰度比较，MPEG4有优势；从动作连贯性上的清晰度，H.264有优势
  

• 注意2：由于264的算法更加复杂，程序实现烦琐，运行它需要更多的处理器和内存资源。因此，运行264对系统要求是比较高的。
  

• 注意3： 由于264的实现更加灵活，它把一些实现留给了厂商自己去实现，虽然这样给实现带来了很多好处，但是不同产品之间互通成了很大的问题，造成了通过A公司的编码器编出的数据，必须通过A公司的解码器去解这样尴尬的事情

H.265/HEVC：一种视频压缩方式,基于H.264，保留原来的某些技术，同时对一些相关的技术加以改进，以改善码流、编码质量、延时和算法复杂度之间的关系，达到最优化设置。H.265 是一种更为高效的编码标准，能够在同等画质效果下将内容的体积压缩得更小，传输时更快更省带宽。

I帧: (关键帧)保留一副完整的画面，解码时只需要本帧数据就可以完成（因为包含完整画面）

P帧 :( 差别帧 )保留这一帧跟之前帧的差别，解码时需要用之前缓存的画面叠加上本帧定义的差别，生成最终画面。（P帧没有完整画面数据，只有与前一帧的画面差别的数据）

B帧: ( 双向差别帧 )保留的是本帧与前后帧的差别，解码B帧，不仅要取得之前的缓存画面，还要解码之后的画面，通过前后画面的与本帧数据的叠加取得最终的画面。B帧压缩率高，但是解码时CPU会比较累

帧内（Intraframe）压缩: 当压缩一帧图像时，仅考虑本帧的数据而不考虑相邻帧之间的冗余信息,帧内一般采用有损压缩算法

帧间（Interframe）压缩: 时间压缩（Temporal compression），它通过比较时间轴上不同帧之间的数据进行压缩。帧间压缩一般是无损的

muxing（合成）：将视频流、音频流甚至是字幕流封装到一个文件中(容器格式（FLV，TS）)，作为一个信号进行传输。

3.3 音频编码技术 
AAC，mp3：这些属于音频编码技术,压缩音频用

3.4码率控制 
多码率:观众所处的网络情况是非常复杂的，有可能是WiFi，有可能4G、3G、甚至2G，那么怎么满足多方需求呢？多搞几条线路，根据当前网络环境自定义码率。列如：常常看见视频播放软件中的1024，720，高清，标清，流畅等，指的就是各种码率。

3.5 视频封装格式
TS： 一种流媒体封装格式 ，流媒体封装有一个好处，就是不需要加载索引再播放，大大减少了首次载入的延迟，如果片子比较长，mp4文件的索引相当大，影响用户体验
为什么要用TS: 这是因为两个TS片段可以无缝拼接，播放器能连续播放

FLV：一种流媒体封装格式,由于它形成的文件极小、加载速度极快，使得网络观看视频文件成为可能,因此FLV格式成为了当今主流视频格式

4.推流

4.1 数据传输框架 
librtmp: 用来传输RTMP协议格式的数据

4.2 流媒体数据传输协议 
RTMP： 实时消息传输协议,Adobe Systems公司为Flash播放器和服务器之间音频、视频和数据传输开发的开放协议，因为是开放协议所以都可以使用了。
RTMP协议用于对象、视频、音频的传输， 这个协议建立在TCP协议或者轮询HTTP协议之上 。
RTMP协议就像一个用来装数据包的容器，这些数据可以是FLV中的视音频数据。一个单一的连接可以通过不同的通道传输多路网络流，这些通道中的包都是按照固定大小的包传输的

5.流媒体服务器

5.1  常用服务器 
SRS：一款国人开发的优秀开源流媒体服务器系统
BMS: 也是一款流媒体服务器系统，但不开源，是SRS的商业版，比SRS功能更多
nginx: 免费开源web服务器，常用来配置流媒体服务器 。

5.2  数据分发 
1、CDN：(Content Delivery Network)，即内容分发网络,将网站的内容发布到最接近用户的网络”边缘”，使用户可以就近取得所需的内容，解决 Internet网络拥挤的状况，提高用户访问网站的响应速度.
CDN：代理服务器，相当于一个中介。
CDN工作原理：比如请求流媒体数据1.上传流媒体数据到服务器（源站）
2、源站存储流媒体数据
3、客户端播放流媒体，向CDN请求编码后的流媒体数据
4、CDN的服务器响应请求， 若节点上没有该流媒体数据存在，则向源站继续请求流媒体数据；若节点上已经缓存了该视频文件，则跳到第6步。
5、源站响应CDN的请求，将流媒体分发到相应的CDN节点上
6、CDN将流媒体数据发送到客户端

回源：当有用户访问某一个URL的时候，如果被解析到的那个CDN节点没有缓存响应的内容，或者是缓存已经到期，就会回源站去获取搜索。如果没有人访问，那么CDN节点不会主动去源站拿.
带宽: 在固定的时间可传输的数据总量，比如64位、800MHz的前端总线，它的数据传输率就等64bit×800MHz÷8(Byte)=6.4GB/s

负载均衡: 由多台服务器以对称的方式组成一个服务器集合，每台服务器都具有等价的地位，都可以单独对外提供服务而无须其他服务器的辅助.通过某种负载分担技术，将外部发送来的请求均匀分配到对称结构中的某一台服务器上，而接收到请求的服务器独立地回应客户的请求。
均衡负载能够平均分配客户请求到服务器列阵，籍此提供快速获取重要数据，解决大量并发访问服务问题。
这种群集技术可以用最少的投资获得接近于大型主机的性能。

QoS（带宽管理）:限制每一个组群的带宽，让有限的带宽发挥最大的效用

6、拉流

直播协议选择：即时性要求较高或有互动需求的可以采用RTMP,RTSP 对于有回放或跨平台需求的，推荐使用HLS

直播协议对比：

• HLS：由Apple公司定义的用于实时流传输的协议,HLS基于HTTP协议实现，传输内容包括两部分，一是M3U8描述文件，二是TS媒体文件。可实现流媒体的直播和点播，主要应用在iOS系统HLS是以点播的技术方式来实现直播。
  HLS是自适应码率流播，客户端会根据网络状况自动选择不同码率的视频流，条件允许的情况下使用高码率，网络繁忙的时候使用低码率，并且自动在二者间随意切换。这对移动设备网络状况不稳定的情况下保障流畅播放非常有帮助。
  实现方法是服务器端提供多码率视频流，并且在列表文件中注明，播放器根据播放进度和下载速度自动调整。 HLS与RTMP对比: HLS主要是延时比较大，RTMP主要优势在于延时低HLS协议的小切片方式会生成大量的文件，存储或处理这些文件会造成大量资源浪费，相比使用RTSP协议的好处在于，一旦切分完成，之后的分发过程完全不需要额外使用任何专门软件，普通的网络服务器即可，大大降低了CDN边缘服务器的配置要求，可以使用任何现成的CDN,而一般服务器很少支持RTSP。

• HTTP-FLV：基于HTTP协议流式的传输媒体内容。相对于RTMP，HTTP更简单和广为人知，内容延迟同样可以做到1~3秒，打开速度更快，因为HTTP本身没有复杂的状态交互。所以从延迟角度来看，HTTP-FLV要优于RTMP。

• RTSP：实时流传输协议,定义了一对多应用程序如何有效地通过IP网络传送多媒体数据.
  RTP: 实时传输协议,RTP是建立在UDP协议上的，常与RTCP一起使用，其本身并没有提供按时发送机制或其它服务质量（QoS）保证，它依赖于低层服务去实现这一过程。
  RTCP: RTP的配套协议,主要功能是为RTP所提供的服务质量（QoS）提供反馈，收集相关媒体连接的统计信息，例如传输字节数，传输分组数，丢失分组数，单向和双向网络延迟等等。

7、解码

7.1  解封装
demuxing（分离）：从视频流、音频流，字幕流合成的文件(容器格式（FLV，TS）)中， 分解出视频、音频或字幕，各自进行解码。

7.2  音频编码框架
fdk_aac：音频编码解码框架，PCM音频数据和AAC音频数据互转

软解码：用CPU来解码优点：兼容好 缺点：加大CPU负担，耗电增加、没有硬解码流畅，解码速度相对慢

8、播放

ijkplayer：一个基于FFmpeg的开源Android/iOS视频播放器API易于集成；
编译配置可裁剪，方便控制安装包大小；
支持硬件加速解码，更加省电
简单易用，指定拉流URL，自动解码播放.

9、 聊天互动

IM:(InstantMessaging)即时通讯：是一个实时通信系统，允许两人或多人使用网络实时的传递文字消息、文件、语音与视频流.IM
在直播系统中的主要作用是实现观众与主播、观众与观众之间的文字互动。

10、编码和封装
编码主要难点有两个：1. 处理硬件兼容性问题。2. 在高 fps、低 bitrate 和音质画质之间找到平衡 。iOS 端硬件兼容性较好，可以直接采用硬编。而 Android 的硬编的支持则难得多，需要支持各种硬件机型，推荐使用软编。

为什么封装？

原始视频数据存储空间大，一个 1080P 的 7 s 视频需要 817 MB 原始视频数据传输占用带宽大，10 Mbps 的带宽传输上述 7 s 视频需要 11 分钟， 而经过 H.264 编码压缩之后，视频大小只有 708 k ,10 Mbps 的带宽仅仅需要 500 ms ，可以满足实时传输的需求，所以从视频采集传感器采集来的原始视频势必要经过视频编码。

基本原理
那为什么巨大的原始视频可以编码成很小的视频呢？这其中的技术是什么呢？核心思想就是去除冗余信息：

空间冗余：图像相邻像素之间有较强的相关性

时间冗余：视频序列的相邻图像之间内容相似

编码冗余：不同像素值出现的概率不同

视觉冗余：人的视觉系统对某些细节不敏感

知识冗余：规律性的结构可由先验知识和背景知识得到

11、推流和传输
传输涉及到很多端：从主播端到服务端，从收流服务端到边缘节点，以及再从边缘节点到观众端。

推流端和分发端理论上需要支持的并发用户数应该都是亿级的，不过毕竟产生内容的推流端在少数，和消费内容端播放端不是一个量级，但是他们对推流稳定性和速度的要求比播放端高很多，这涉及到所有播放端能否看到直播，以及直播端质量如何。

12、转码
为了让主播推上来的流适配各个平台端各种不同协议，需要在服务端做一些流处理工作，比如转码成不同格式支持不同协议如 RTMP、HLS 和 FLV，一路转多路流来适配各种不同的网络状况和不同分辨率的终端设备。

13、解码和渲染
解码和渲染，也即音视频的播放，目前 iOS 端的播放兼容性较好，在延迟可接受的情况下使用 HLS 协议是最好的选择，我们也提供了能够播放 RTMP 和 HLS 的播放器 SDK。Android 的硬件解码和编码一样也存在兼容性问题，目前比较好的开源播放器是基于 ffplay 的 ijkplayer。

第一时间获得博客更新提醒，以及更多 android，源码分析，最新开源项目推荐，更多有价值的思考 ，欢迎关注我的微信公众号，扫一扫下方二维码或者长按识别二维码