阿里Web音视频开发：揭秘珍贵经验与技巧

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。

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。

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。

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。

小tips:

打开chrome的媒体调试页面 chrome://media-internals 可以看到媒体播放相关的所有debug信息和error信息非常有用。其中就会有一条关于音频处理的提示：

当然这条显示的具体原因是自动切掉重叠overlap导致的。其实gap/overlap本质是一样的。怎么办？当然是播放器自己主动把洞填上。具体做法是插帧。目前主要是插静音帧，或者复制前一帧。静音帧会带来毛刺音，复制帧会导致拖音。我们目前的优化方案是判断附近的音频数据量，数据量大时说明此处声音丰富(其实不算靠谱，姑且这么处理，因为没有更好的判断方式)，如果插静音帧会毛刺很明显，所以此时用复制帧，反之插静音帧。

那些年我们趟过的坑

1、 不同版本表现差异 容忍度不同

1） Chrome 35分水岭。chrome35之前要求关键帧之后的第一帧dts不允许跟关键帧dts相同，否则抛错。

2） 低延迟的模式。把转封装出来的FMP4中的视频轨duration(tkhd box) 设置成0xffffffff 时会让chrome认为这是直播流，会开启低延迟模式，所谓低延迟模式就是会极大的减少帧缓存，基本上视频帧立马解码立马播放减少每个分片的起播延迟。但是呢在CPU负载过高的情况下（解不过来）会造成视频频繁卡顿（网络无关的）。

2、 不同浏览器表现有差异

1) timeupdate事件。W3C的标准是不能超过250ms触发一次。windows下360等浏览器会达到500ms左右。

2) safari对每一帧duration平顺度更敏感。safari需要对每一视频帧的duration标准化处理，例如TS下要处理成3600。

3) 对洞的容忍度不同。chrome遇到buffer中有0.08的间隔以内会自动跳过去。像IE edge等浏览器不行会卡住，所以播放器一定要有跳洞逻辑。比如判断当前卡在洞的边界，要主动跳过去（seek）。

3、内存限制

通过MSE push给video的视频数据会在内部维护一个buffer，这个尺寸是有限制的。

1） chrome系列约100M

2） IE系列约30M

超过的话就会导致抛出 QuotaExceededError 。所以需要处理好buffer的尺寸以及及时清除不用的buffer。比如已经播放过的，正常浏览器会自己清除，但是不那么的及时。

优化

简单说一下卡顿相关的优化。

• 多级Buffer控制

• ABR 自适应码率算法

• 基于WebRTC的P2P

1、多级buffer

为什么要有多级的buffer？因为video本身的解码buffer有大小限制，而且buffer过长会导致长时间解码，会导致CPU一直占用高。所以我们搞了两级buffer一级就是video的buffer另外一级是内存中的，只负责下载，二级很长。可以消除网络抖动带来的卡顿影响。

2、ABR自适应码率的算法

这个主要是来预测用户本身的带宽范围，然后选用不同码率的视频流来无缝切换播放。当然还有一些策略算法，比如根据用户现在buffer的水位，或者检测到用户频繁超时，来采用不同的策略。

3、基于WebRTC的P2P ‍‍

因为P2P是基于UDP的传输，可以突破一些带宽限制或网络拥塞而导致的卡顿问题。不过P2P不一定靠谱所以还是要辅以普通的HTTP传输相结合。我们一般是利用P2P加indexDB 来变相延长视频的缓冲区。因为P2P带宽成本便宜，我们利用P2P做了一个非常长又很便宜的buffer。这样的话网络再波动也不会导致卡顿了。