珍稀干货！阿里 Web 音视频开发趟坑指南 _Web

文章插图
作者 | 阿里文娱前端技术专家归影
责编 | 夕颜
出品 | CSDN（ID:CSDNnews）
这不是一篇基于MSE开发Web播放器的入门文章，而是围绕Web播放器开发遇到的常见问题与解决方案，毕竟入门文章常有而趟坑干货不常有。如果您有Web播放开发经验和音视频技术基础，读起来会更有共鸣。
Web播放器开发基础知识
先介绍Web播放器开发的一些基础知识。有人要问了，Web播放器开发难道不是一个video标签就够了么？非也！
1、浏览器Video支持的格式非常有限
在W3C的标准里面Video只支持MP4格式准确的说是ISOBMFF(Fragment MP4) 。当然chrome支持WEBM，safari支持HLS(MPEG-TS)这都是自家的私有实现，做不得数。
2、浏览器Video无法逐个加载视频切片
现在主流的流媒体点播/直播技术，都会把视频切片。而video标签src只能挂载整个MP4资源。没法逐个的加载视频分段。
所以我们的主角出场—— MediaSource Extenstion，简称MSE，是一套能不断的把音视频二进制数据塞给video标签播放的API 。

文章插图
图1：MSE简明结构
MSE内部可以创建一系列的sourcebuffer，一般是一个音频buffer，一个视频buffer 。把MSE做成blob url之后绑定给video的src 。然后就可以通过AppendBuffer往video里追加音视频数据了。有了MSE，播放器器的整体结构是什么样的呢，见下图。

文章插图
图2：Web播放器简明结构
首先在浏览器层面，主要使用video标签、MSE、XHR 和UI 。那么播放器主要由Manager驱动加载视频的playlist（比如HLS里的m3u8，dash里的MPD，FLV虽然不是playlist概念，但是是原理上差别不大，都是为了拿到视频的一个个的片段的地址），并通过数据服务加载这一个个的分片。然后通过transmuxer也就是所谓的转封装器，把分片的封装格式比如TS拆开（demux）把连原始的音视频数据解出来，再重新打包成fmp4(remux)，最后通过MSE API喂给video标签里，让video去播放。
因此播放器所做的事情最主要有两点：
1）转封装。即将video不支持的封装格式转码成video所支持的封装格式；
2）如何驱动整个播放进行。即决定何时下载下一个分片，何时需要解码插入到video的buffer里。
时间戳对齐
转封装除了的封装格式的解复用(demux)和再复用（remux）之外最重要的环节就是分片的时间戳对齐策略，以及音视频同步。

文章插图
图3（传说中的“开局一张图原理全靠猜”）
简单讲一下上图：红色代表音频的时间轴。蓝色/青色是视频的时间轴。PTS(Presentation Time Stamp) 指的是这一帧需要渲染的时间。DTS(Decoding Time Stamp) 指的是这一帧需要解码的时间。
1、首片首帧的对齐策略
正常来说音频PTS和DTS是一样的，而视频如果有B帧的话DTS往往要比PTS早一些(因为要预留一定的时间解码) 。因此视频的首帧会有一个洞(gap/shift随便你怎么叫)，如果不经处理插到video里，那么video里的buffer也会呈现出一小段的洞，一般是0.08s(比如10s的分片插进去可能出现0.08~10.08的情况) 。现在主流的做法是削掉这个洞。就是把DTS跟PTS强行拉平，一般来说chrome 不会出现太大的问题。但是safari不行，如果不预留一定的DTS/PTS偏移，safari前两帧的播放会明显卡顿。
2、后续对齐策略后续分片的对齐，会通过DTS/PTS两个尾部指针来做。如果发现后续分片时间轴有间隔就往前推从而填上间隔。如果发现重叠，就把重叠帧后移。这样虽然会导致后续分片的前几帧重叠。但在播放的过程中几乎没有影响。
音视频同步
首先，什么情况下会导致音画不同步？
1、视频源流压根没对齐。没救了，看下一点。
2、还是因为有洞。很多时候视频切出来的每个分片之间都不一定是严丝合缝的，分片间的音视频时间戳可能有洞。而且对于TS由于音频每一帧的duration（≈23ms）跟视频每一帧的duration(40ms@25fps) 无法吻合(整除) 所以加剧了这种参差不齐的情况。那么，重点来了！chrome有个特殊的机制，如果发现音频之间有洞之后，为了保证音频的平顺，会自动把后续音频往前推抹平这个洞。如果每个分片都有洞，悲剧了，这种往前推的操作就会积累越来越多导致音视频不同步。