直播流程简单学习

本文根据又拍云内部技术分享会的演讲整理而成，主要内容：图像和音频数据采集、处理；音视频编码、封包发送、云端（服务端）及播放器。

直播无疑是2016年大热话题，去年4月份，又拍云基于内容分发网络推出一站式直播解决方案，包括实时转码、实时录制、分发加速、水印、截图、秒级禁播、延时直播等功能。本文希望系统介绍直播各个环节，帮助视频直播创业者们更全面、深入地了解直播技术，更好地进行技术选型。

△ 直播流程图

一、采集音视频数据

采集摄像头和麦克风的数据。

图像采集

图像采集和编码面临的主要挑战在于：设备兼容性差、卡顿敏感以及各种对图像的处理操作如美颜和水印等。

图像采集设置前置摄像头、后置摄像头，并配置采集的参数、图像数据的长宽、fps、输出的方向、横屏竖屏等，然后从回调中取到数据。处理如下：

_videoCamera.outputImageOrientation = videoCameraOrientation;

// 设置拍摄帧频 _videoCamera.frameRate = _fps

音频采集

音频采集和编码主要面临的挑战在于：噪声消除（Denoise）、回声消除（AEC）算法等。

前期不需要音频数据处理需求的时候， 只需配置音频采集的采样频率、采样精度和声道，处理如下：

_audioFormat0.mSampleRate = 44100.00;

_audioFormat0.mFormatID = kAudioFormatLinearPCM;

_audioFormat0.mBitsPerChannel = 16;

二、数据处理

音频处理中具体包含混音、降噪和声音特效等处理。视频处理中包含美颜、水印、以及各种自定义滤镜等处理。

音频处理是直播难点之一，尤其主播离手机有一段距离，直播环境会有噪音，所以直播的音频处理是整体降噪的过程。增益降噪等处理可直接从 speex 项目中抽出来的声音处理代码，然后调用、处理。如有类似在直播的时候播放背景音乐的混音需求，就需要使用 Audio Unit 来实现音频数据的混音，而还需要将混音的背景音乐转成 PCM 数据，拷贝一份送入混音，原来的数据送入播放器。

滤镜、美颜功能是直播标配，如果需要美白、水印、裁剪等处理效果，就必须处理拿到的buffer, 这个时候还要考虑到拿到的数据是YUV 还是 RGB。iOS 上是不能对 YUV 格式直接进行美颜处理，只能是 RGB 格式。可选择使用 GPUImage 库，调用 GPUImage 来进行采集和美白、水印、裁剪的处理，然后取出来进行编码上传，并显示在预览画面上。

三、音视频编码

视频编码的意义

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。

编码首先要开启编码器，软编码就是利用CPU资源来压缩音视频数据，硬编码与之相反。

软编码: 现在广泛采用FFmpeg库结合编码库来实现，FFmpeg + x264 来编码视频数据YUV/RGB输出H264数据， FFmpeg+fdk_aac 来编码音频数据PCM输出AAC数据。

硬编码: iOS 8之后开放了硬解码和硬编码AP，所以基本上都是选择VideoToolBox 和 AudioToolBox 进行图像和音频的硬编码。

四、封包发送

将音频，视频打包成packet。

又拍云播放器采用 FFMPEG 进行数据的接收，推流端默认使用 FFMPEG 进行数据的封包发送。

相对来说，封包最主要注意的一个点是时间戳。因为用的AVPacket封包，每个包都会有一个DST(Decode Time Stamp)、PST (Presentation Time Stamp)参数，从字面上可以理解，就是解码时间和显示时间，在没有B帧存在的情况下DTS的顺序和PTS的顺序应该是一样的。

这块还涉及到重连和丢帧，用户的网络情况波动断开了,会进行重连。重连失败之后才会发送失败回调。丢帧是一个弱网情况的策略，根据音视频数据的缓冲区大小来判断是否丢帧,丢帧会优先丢非关键帧,保留关键帧，而一旦需要丢关键帧的时,关键帧后的非关键帧也会一起丢掉直到下一个关键帧.来保证画面不会花屏。

五、云端（服务端）

对比两种推送协议在直播领域的现状和优缺点。

RTMP

HLS

1、RTMP

RTMP （Real Time Messaging Protocol）实时消息传输协议，该协议基于 TCP，是一个协议族，包括 RTMP 基本协议及 RTMPT/RTMPS/RTMPE 等多种变种。RTMP 是一种设计用来进行实时数据通信的网络协议，主要用来在 Flash/AIR 平台和支持 RTMP 协议的流媒体/交互服务器之间进行音视频和数据通信。支持该协议的软件包括 Adobe Media Server/Ultrant Media Server/red5 等。

RTMP 是目前主流的流媒体传输协议，广泛用于直播领域，可以说市面上绝大多数的直播产品都采用了这个协议。

优点

CDN 支持良好，主流的 CDN 厂商都支持

协议简单，在各平台上实现容易

缺点

基于 TCP ，传输成本高，在弱网环境丢包率高的情况下问题显著

不支持浏览器推送

Adobe 私有协议，Adobe 已经不再更新

2、HLS

HLS(HTTP Live Streaming)协议，是苹果公司实现的基于HTTP的流媒体传输协议，可实现流媒体的直播和点播。

HLS主要应用在iOS系统，为iOS设备（如iPhone、iPad）提供音视频直播和点播方案。HLS点播，基本上就是常见的分段HTTP点播，不同在于，它的分段非常小。

优点

不用考虑防火墙或者代理的问题

分段文件时长很短，客户端可以很快的选择和切换码率，以适应不同带宽条件下的播放。

缺点

延迟一般会高于普通的流媒体直播协议

对直播延迟比较敏感的服务请慎用HLS。

根据所选流媒体协议，发送相应指令连接服务器，连接服务器成功后，就可以发送packet数据了。 又拍云采用用的是 RTMP，服务端会进行转码、录制、转 HLS 的操作。

六、播放器

播放器主要负责拉流、解码、播放。

拉流端

拉流，就是从流媒体服务器获取音频、视频数据。

1、解析协议

播放器端根据URL解析所用的流媒体协议（RTMP，HLS）。

2、解封装

解封装，就是demux的过程，从容器格式（FLV，TS）中，分离出音视频数据。

3、解码

解码，就是把获取到的数据解压缩，恢复成原始数据。解码就是将H264变成YUV，AAC变成PCM。解码可以使用软解码，硬解码。

软解码就是利用CPU资源去解压缩数据，采用的方式是FFmpeg解码。

硬解码，对于iOS平台来说，可以使用VideoToolbox.Framework（该框架只能在iOS 8.0及以上系统使用） 硬解码视频数据。Android平台上，可以使用MediaCodec来硬解码视频数据。

4、渲染数据

采用OpenGL渲染YUV数据，呈现视频画面。将PCM送入设备的硬件资源播放，产生声音。

iOS播放流式音频，使用Audio Queue 的方式，即利用AudioToolbox.Framework 框架。