从零开始，如何搭建一个完整的iOS直播App

今年移动直播行业的兴起，诞生了一大批网红，甚至明星也开始直播了，因此不得不跟上时代的步伐。由于第一次接触的原因，因此花了很多时间了解直播，整理了直播的原理，教你从零开始搭建一个完整的iOS直播app，希望能帮助到更多的人更快地了解直播。

▍直播难

个人认为要想把直播从零开始做出来，绝对是牛逼中的牛逼，大牛中的大牛。因为直播中运用到的技术难点非常之多，视频/音频处理，图形处理，视频/音频压缩，CDN分发，即时通讯等技术，每一个技术都够你学几年的。

▍直播易

已经有各个领域的大牛，封装好了许多牛逼的框架，我们只需要用别人写好的框架，就能快速地搭建一个直播app，也就是传说中的站在大牛肩膀上编程。

▍热门直播产品

映客、斗鱼、熊猫、虎牙、花椒等等。

▍一个完整直播app功能

1. 聊天

私聊、聊天室、点亮、推送、黑名单等;

2. 礼物

普通礼物、豪华礼物、红包、排行榜、第三方充值、内购、礼物动态更新、提现等；

3. 直播列表

关注、热门、最新、分类直播用户列表等；

4. 自己直播

录制、推流、解码、播放、美颜、心跳、后台切换、主播对管理员操作、管理员对用户等；

5. 房间逻辑

创建房间、进入房间、退出房间、关闭房间、切换房间、房间管理员设置、房间用户列表等；

6. 用户逻辑

普通登陆、第三方登陆、注册、搜索、修改个人信息、关注列表、粉丝列表、忘记密码、查看个人信息、收入榜、关注和取关、检索等；

7. 观看直播

聊天信息、滚屏弹幕、礼物显示、加载界面等；

8. 统计

APP业务统计、第三方统计等；

9. 超管

禁播、隐藏、审核等；

▍一个完整直播app原理

1. 直播原理：

把主播录制的视频，推送到服务器，在由服务器分发给观众观看。

2. 直播环节：

• 推流端（采集、美颜处理、编码、推流）

• 服务端处理（转码、录制、截图、鉴黄）

• 播放器（拉流、解码、渲染）

• 互动系统（聊天室、礼物系统、赞）

▍一个完整直播app实现流程

直播APP实现流程有采集、滤镜处理、编码、推流、CDN分发、拉流、解码、播和聊天互动，如下图：

直播流程

▍一个完整直播app架构

直播架构

▍一个完整直播app技术点

（直播需要用到流媒体）

• 流媒体开发：网络层(socket或st)负责传输，协议层(rtmp或hls)负责网络打包，封装层(flv、ts)负责编解码数据的封装，编码层(h.264和aac)负责图像，音频压缩。

• 帧：每帧代表一幅静止的图像

• GOP：（Group of Pictures）画面组，一个GOP就是一组连续的画面，每个画面都是一帧，一个GOP就是很多帧的集合

直播的数据，其实是一组图片，包括I帧、P帧、B帧，当用户第一次观看的时候，会寻找I帧，而播放器会到服务器寻找到最近的I帧反馈给用户。因此，GOP Cache增加了端到端延迟，因为它必须要拿到最近的I帧。OP Cache的长度越长，画面质量越好。

• 码率：图片进行压缩后每秒显示的数据量。

• 帧率：每秒显示的图片数。影响画面流畅度，与画面流畅度成正比：帧率越大，画面越流畅；帧率越小，画面越有跳动感。

由于人类眼睛的特殊生理结构，如果所看画面之帧率高于16的时候，就会认为是连贯的，此现象称之为视觉暂留。并且当帧速达到一定数值后，再增长的话，人眼也不容易察觉到有明显的流畅度提升了。

• 分辨率：(矩形)图片的长度和宽度，即图片的尺寸

• 压缩前的每秒数据量：帧率X分辨率(单位应该是若干个字节)

• 压缩比：压缩前的每秒数据量/码率 （对于同一个视频源并采用同一种视频编码算法，则压缩比越高，画面质量越差。）

视频文件格式：文件的后缀，比如.wmv,.mov,.mp4,.mp3,.avi。

主要用处，根据文件格式，系统会自动判断用什么软件打开。

视频封装格式：一种储存视频信息的容器，流式封装可以有TS、FLV等，索引式的封装有MP4,MOV,AVI等。

主要作用：一个视频文件往往会包含图像和音频，还有一些配置信息(如图像和音频的关联，如何解码它们等)：这些内容需要按照一定的规则组织、封装起来。

视频封装格式和视频压缩编码标准：就好像项目工程和编程语言，封装格式就是一个项目的工程，视频编码方式就是编程语言，一个项目工程可以用不同语言开发。

▍采集视频、音频

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

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

▍视频处理（美颜，水印）

1. 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。

2. 视频处理框架 

3.视频编码解码

1）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、串流和播放等丰富的功能。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、音频和字幕流等编码/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、数据结构和数学运算等；

• 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。

2）X264：把视频原数据YUV编码压缩成H.264格式。

3）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。

4）AudioToolbox：苹果自带的音频硬解码和硬编码API。

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MPEGH.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。

但要注意的是，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

1）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。

2）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

3）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。

AAC、mp3：这些属于音频编码技术，压缩音频用。

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。

例如：常常看见视频播放软件中的1024，720、高清、标清和流畅等，指的就是各种码率。

TS 是 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:是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

（1） 数据传输框架 

librtmp是用来传输RTMP协议格式的数据。

（2）流媒体数据传输协议 

RTMP是实时消息传输协议，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。chunk是消息包。

5.流媒体服务器

（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。

（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

上传流媒体数据到服务器（源站）

源站存储流媒体数据

客户端播放流媒体，向CDN请求编码后的流媒体数据

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。

源站响应CDN的请求，将流媒体分发到相应的CDN节点上。

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于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

（1）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

（2）直播协议对比 :

HLS是由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是基于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

（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。

（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

（3）解码介绍 

硬解码：用GPU来解码，减少CPU运算

优点：播放流畅、低功耗，解码速度快

缺点：兼容不好

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、语音与视频交流。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。

第三方SDK

• 腾讯云：腾讯提供的即时通讯SDK，可作为直播的聊天室

• 融云：一个比较常用的即时通讯SDK，可作为直播的聊天室

▍利用第三方直播SDK快速的开发

七牛云：七牛直播云是专为直播平台打造的全球化直播流服务和一站式实现SDK端到端直播场景的企业级直播云服务平台。熊猫TV和龙珠TV等直播平台都是用的七牛云。

网易视频云：基于专业的跨平台视频编解码技术和大规模视频内容分发网络，提供稳定流畅、低延时、高并发的实时音视频服务，可将视频直播无缝对接到自身App。

▍第三方SDK公司为什么要提供SDK给我们？

• 希望把我们的产品和它绑在一条船上，更加的依赖它。

• 技术生钱，帮养一大批牛B的程序员

▍直播功能：自研还是使用第三方直播SDK开发？

第三方SDK开发: 对于一个初创团队来讲，自研直播不管在技术门槛、CDN、带宽上都是有很大的门槛的，而且需要耗费大量的时间才能做出成品，不利于拉投资。

自研：公司直播平台大，从长远看，自研可以节省成本，技术成面比直接用SDK可控多了。

▍第三方SDK好处

（1）降低成本

使用好的第三方企业服务，将不用再花高价请猎头去挖昂贵的大牛，也不用去安抚大牛们个性化的脾气；

（2）提升效率

第三方服务的专注与代码集成所带来的方便，所花费的时间可能仅仅是1-2个小时，节约近99%的时间，足够换取更多的时间去和竞争对手斗智斗勇，增加更大的成功可能性；

（3）降低风险

借助专业的第三方服务，由于它的快速、专业、稳定等特点，能够极大地加强产品的竞争能力（优质服务、研发速度等），缩短试错时间，必将是创业中保命的手段之一；

（4）专业的事，找专业的人来做

第三方服务最少是10-20人的团队专注地解决同一个问题，做同一件事情。第三方服务所带来的支持效果，绝不是通过1-2个人处理所能对比的，难道不是吗？

作者：峥吖

来源：http://www.jianshu.com/p/bd42bacbe4cc

本文由 @峥吖 授权发布于人人都是产品经理，未经作者许可，禁止转载。