8.6.1 RTMP 简介 · 波仔的 AI 编程实战课

📄 一句话概括

RTMP 从头到尾只用一条 TCP 连接，控制命令与媒体数据全挤在里面。 FFmpeg 里没有叫 rtmp 的封装格式——封装用 flv，传输靠 rtmp:// 前缀。

📝 本节和前面几节的关系

8.5 已经演示过 RTMP 握手，这一节把剩下的几层补齐。 8.6.3 与 8.6.4 再把推流端与播放端接上。

一、五层结构

RTMP 不是单一协议，而是五层叠起来的东西。

层干什么字节

TCP 连接先建一条长连接，一直不关 — 握手交换版本号与随机数 1537 ＋ 3073 chunk 分块把长消息切成小段每段最多 128 AMF0 命令 connect、createStream、publish 几十字节 FLV 标签音频、视频、元数据 11 ＋ N ＋ 4

跟 RTSP 最大的不同：RTMP 只有一条 TCP 连接。 RTSP 是控制走 554、媒体另开 RTP 通道；RTMP 把两件事塞进同一条线， 靠 chunk 里的消息类型区分——这条线既是指挥部，也是运输队。

二、首次建连要花多少字节

把三种协议的「第一次握手」摆在一起比，差距很直观。

协议首次建连字节说明

HTTP 73 一条请求，答完就完 RTSP 477 四问答（OPTIONS 到 PLAY） RTMP 6146 握手 1537 ＋ 3073 ＋ 1536

RTMP 贵得多，因为它一次建连之后就不再断开。 这 6 KB 只付一次，后面几百帧都复用这条连接。 摊到一小时直播上基本看不见，所以「贵」在这里不是缺点。

反过来说：连接数少是 RTMP 的优点，也是它的瓶颈。 每个观众占一条常连接，服务器上万观众就是上万条—— 这也是后来 HLS 与 HTTP-FLV 能流行起来的原因。

三、FFmpeg 里没有 rtmp 这个格式

这一条几乎人人踩过：写 format="rtmp" 会直接报错。

格式名在不在

flv 有 rtmp 没有 mpegts 有 hls 有 rtsp 有

本机 libav 一共 414 个格式，rtmp 这个名字不在里面。 因为 RTMP 在 FFmpeg 里被拆成两半： 封装用 flv，传输靠 URL 里的 rtmp:// 前缀。

所以正确写法是 -f flv rtmp://127.0.0.1/live/stream。 -f flv 说的是「里面装什么」，rtmp:// 说的是「怎么送」。 把两者混成一件事，就会写出根本不存在的东西。

四、FLV 的头只有 13 个字节

FLV 的文件头极短，因为设计目标是「边收边解」。

偏移字段本例

0 到 2 签名 FLV 3 版本 0x01 4 标志位 0x01（有视频） 5 到 8 数据偏移 9 9 到 12 PreviousTagSize0 0

标志位是个位掩码：0x01 有视频、0x04 有音频，两个都有就是 0x05。

头后面那 4 个字节是 PreviousTagSize0，值恒为 0—— 它没有实际数据，只是为了让「每个标签前面都有一条长度记录」这个格式整齐。 所以第一个真正的标签从第 13 个字节开始。

第一个标签永远是 0x12（脚本），装的是 onMetaData： 宽高、帧率、码率、时长都写在这里，播放器靠它先知道「这是什么」。

五、chunk 的头有多大

一条命令不可能只有一个 chunk，它会被切成 128 字节一段。 拿一条 300 字节的 connect 命令算一遍：

项值

消息长度 300 字节 chunk 大小 128 字节切成几段 3 段第一段头 12 字节后续每段头 1 字节实际发出 314 字节

第一段的头最胖，因为它要把消息长度、类型、流号一次说清。 后面的段只带 1 个字节，意思是「我还是上一段那条消息」。

314 减 300 等于 14，比裸数据多了不到 5%。 听着不多，但建连阶段全是几十字节的小命令， 128 的默认值会让开销比例飙到三成以上。

所以连上之后双方会协商一个更大的 chunk size（常见 4096）， 开销立刻降到几乎看不见——这是 RTMP 省字节的关键一步。

六、动手 Demo：查格式清单、拆 FLV 头、算 chunk 开销

下面这段先翻一遍 libav 的格式清单，确认 rtmp 不在里面； 再把 50 帧封成 FLV，把前 13 个字节逐字段读出来。

import io, struct
from fractions import Fraction
import av

names = list(av.formats_available)
print(u"格式总数 %d" % len(names))
for k in ("flv", "rtmp", "mpegts", "hls", "rtsp"):
    print(u"  %-8s %s" % (k, "有" if k in names else "没有"))

try:
    o = av.open("rtmp://127.0.0.1:19999/live/x", "w", format="rtmp")
    o.close()
except Exception as e:
    print(u"format=rtmp -> %s" % type(e).__name__)

buf = io.BytesIO()
o = av.open(buf, "w", format="flv")
st = o.add_stream("libx264", rate=Fraction(25, 1))
st.width, st.height, st.pix_fmt = 160, 90, "yuv420p"
st.bit_rate = 400000
c, k = av.open("s7.mp4"), 0
for f in c.decode(video=0):
    for q in st.encode(f):
        o.mux(q)
    k += 1
    if k >= 50:
        break
for q in st.encode(None):
    o.mux(q)
o.close()
c.close()
d = buf.getvalue()

print(u"FLV %d 字节" % len(d))
print(u"  签名   %s" % d[:3].decode("ascii"))
print(u"  版本   0x%02X" % d[3])
print(u"  标志位 0x%02X" % d[4])
print(u"  偏移   %d" % struct.unpack(">I", d[5:9])[0])
print(u"  Tag0   %d" % struct.unpack(">I", d[9:13])[0])
print(u"  首标签 0x%02X" % d[13])

msg, chunk = 300, 128
parts = (msg + chunk - 1) // chunk
print(u"%d 字节切 %d 段，共发 %d 字节"
      % (msg, parts, msg + 12 + (parts - 1)))

实跑输出：

--------------------------------------------------------------------
8.6.1 RTMP 简介
--------------------------------------------------------------------

**① RTMP 分五层，一层一层往下扒**

  层             干什么                             字节
  ------------------------------------------------------------------
  TCP 连接       先建一条长连接，一直不关           —
  握手           交换版本号与随机数                 1537 ＋ 3073
  chunk 分块     把长消息切成小段                   每段最多 128
  AMF0 命令      connect、createStream、publish     几十字节
  FLV 标签       音频、视频、元数据                 11 ＋ N ＋ 4

**跟 RTSP 最大的不同：RTMP 只有一条 TCP 连接，**
**控制命令与媒体数据全挤在这条线上，靠 chunk 里的消息类型区分。**

**② 三家的首次建连开销对比**

  协议     首次建连字节     说明
  -------------------------------------------------------
  HTTP     73               一条请求，答完就完
  RTSP     477              四问答（OPTIONS 到 PLAY）
  RTMP     6146             握手 1537 ＋ 3073 ＋ 1536

**RTMP 贵得多，因为它一次建连之后就不再断开——**
**这 6 KB 只付一次，后面几百帧都复用这条连接。**
**数字看着吓人，摊到一小时直播上基本看不见。**

**③ 实测：本机 libav 里有没有 rtmp 这个格式**

  格式名      在不在
  ----------------------
  flv         有
  rtmp        没有
  mpegts      有
  hls         有
  segment     有
  rtsp        有
  rtp         有

**一共 414 个格式，`rtmp` 这个名字不在里面。**
**因为 RTMP 在 FFmpeg 里不是一个「封装格式」，而是一套协议：**
**封装用 `flv`，传输靠 URL 里的 `rtmp://` 前缀。**

**所以写 `format="rtmp"` 会直接抛 `ValueError`——名字根本不存在。**
**正确的写法是 `format="flv"`，地址写 `rtmp://`。**

**④ 实测：50 帧封成 FLV 有多大，头长什么样**

  项             值
  ---------------------------------------------
  FLV 总字节     30271
  封装耗时       56 ms
  文件头         FLV
  版本           0x01
  标志位         0x01（有视频）
  数据偏移       9
  头 13 字节     464c5601010000000900000000

**「FLV」三个字母开头，版本 1，标志位 0x01 表示「只有视频没有音频」，**
**数据偏移 9 表示「头后面有 9 个字节才开始第一个标签」。**

**头之后紧跟 4 字节的 PreviousTagSize0，值恒为 0——这是 FLV 的起手式。**
**所以第一个标签从第 13 个字节开始，不多不少。**

**⑤ chunk 的头有多大：一条 300 字节的命令要切几段**

  项             值
  ---------------------------
  消息长度       300 字节
  chunk 大小     128 字节
  切成几段       3 段
  第一段头       12 字节
  后续每段头     1 字节
  实际发出       314 字节

**第一段的头最胖，因为它要把消息长度、类型、流号一次说清；**
**后面的段只带 1 个字节，说「我还是上一段那条消息」。**

**128 这个默认值很小，所以 RTMP 建连阶段会很啰嗦。**
**连上之后双方会协商一个更大的 chunk size（常见 4096），开销立刻降下来。**

rtmp 那一行标「没有」，format="rtmp" 也确认抛 ValueError。

头 13 个字节读出来是「FLV ＋ 01 ＋ 01 ＋ 00000009 ＋ 00000000」， 第一个标签的类型是 0x12，不是视频——很多人以为第一段就是画面。

30 秒实验

把标志位那个字节改成 0x05：看解复用器会不会以为「有音频」。
把 format="flv" 去掉只留 rtmp://：libav 会按扩展名硬猜，猜不对就报错。
把 chunk 从 128 改成 4096：算一遍 300 字节的命令还剩多少开销。

常见误区

以为 RTMP 是个封装格式。封装是 flv，RTMP 只是运输通道。
以为 FLV 第一个标签是视频。第一个永远是 0x12 脚本标签。
把 PreviousTagSize0 当成有效数据。它恒为 0，只是占位。

自测三问（点开对答案）

1. RTMP 为什么要比 RTSP 多花十几倍字节建连？ —— 它要建立一条长期复用的 TCP 连接，握手与随机数交换都在里面。 2. `-f flv rtmp://…` 两个部分各管什么？ —— `-f flv` 管「里面装什么」，`rtmp://` 管「怎么送出去」。 3. 一条 300 字节的命令按 128 切，实际发多少字节？ —— 314 字节：300 加第一段 12 字节头，加后两段各 1 字节。

☐ 8.6.1 完，下一节 8.6.2 直播推流与拉流

一、五层结构

二、首次建连要花多少字节

三、FFmpeg 里没有 rtmp 这个格式

四、FLV 的头只有 13 个字节

五、chunk 的头有多大

六、动手 Demo：查格式清单、拆 FLV 头、算 chunk 开销

30 秒实验

常见误区

相关笔记