WASM 助力 WebCodecs：填补解封装能力的空白

原创大前端 2024-12-03 12:04

在B站Web投稿页中，封面、分区、标签的推荐功能都需要使用到视频截帧能力。

业务背景

在B站Web投稿页中，封面、分区、标签的推荐功能都需要使用到视频截帧能力。历史上我们通过WebAssembly + FFmpeg来实现视频截帧。从去年开始，开始引入WebCodecs进行高性能截帧，截帧性能有显著提升，从而给用户带来更快速的推荐体验。

但目前WebCodecs只提供了用于解码的能力，并没有提供对应解封装能力，只能自行实现。此前，我们通过mp4box.js以及自行开发的mkv-demuxer，解决了mp4+mkv主流视频格式的解封装问题，实现了WebCodecs高性能封面截帧方案的落地。但仍存在近 2%的视频格式如flv、avi等，因为无法解封装，而无法体验到WebCodecs的高性能。

针对不同视频格式去做解封装处理，需要进行数据转换，API适配类的工作，存在一定的开发成本。同时，相关的高质量在维护的JS解封装库很少，假如继续针对单个格式去做逐个处理，ROI会很低。

于是，我们期望为WebCodecs低成本定制一种通用的解封装方案，一次性支持尽可能多的视频格式。

方案设想

联想到之前使用WebAssembly + FFmpeg进行截帧的经验，FFmpeg支持的视频格式很广泛，如果能复用FFmpeg的Demux能力，并结合WebCodecs的Decode能力，应该就能实现两者的优势互补。将耗时短的Demux环节交给WebAssembly + FFmpeg去支持更多的视频格式，耗时长的Decode环节交给原生的WebCodecs去提升解码性能。

解决方案

核心思路

基于上述设想，核心目标就是将WebAssembly + FFmpeg中的Demux能力独立出来，实现一个WASM Demuxer，主要步骤如下：

C中新增获取WebCodecs解码所需数据的函数

JS胶水代码实现JS与C间的双向通信，传递解封装后的数据

截帧SDK中基于原始数据进行转换，适配WebCodecs

整体流程如下图所示，下面讲详细介绍下具体实现步骤

C中获取WebCodecs解码所需数据

关键数据结构

FFmpeg包含很多library，这里我们的目标是解封装，所以只需要重点关注用于负责多媒体文件流格式处理的libavformat，以及两个关键的结构体：

AVStream: 用于存储视频/音频流信息的结构体，包含编解码器参数、比特率、帧率等

AVPacket: 用于存储解码前的压缩数据包的结构体，包含数据包对应的时间戳、大小等

WebCodecs视频截帧中，主要用到VideoDecoder中的 configure 和 decode 方法，configure方法用于配置和初始化视频解码器，decode方法则用于向视频解码器提供编码视频数据，以便解码器能够处理和输出解码后的帧。

与configure与decode方法需要的入参做对比后，可以很容易发现，configure方法所需的参数都可以在AVStream中找到，decode方法所需的参数也都可以在AVPacket中找到。

因此，需要在C中实现两个函数，分别用于获取视频文件中视频流的AVStream与视频流中指定时间点的AVPacket。

不过，FFmpeg中的AVStream和AVPacket都比较复杂，而在截帧场景无需用到所有的参数。于是，我们对AVStream和AVPacket进行裁剪，重定义了两个新的结构体 WebAVStream 与 WebAVPacket。

生成WebAVStream

裁剪转换后的WebAVStream结构体如下，包含了编解码器参数、开始时间、时长等。

新建一个 get_av_stream 函数用于从文件中查找对应视频流的AVStream信息。首先从视频文件中查找到匹配的视频流信息，读取AVStream，对其进行裁剪与数据适配，生成并返回新定义的结构体WebAVStream。

如何生成codec_string

在构建WebAVStream时发现，WebCodecs VideoDecoder的configure 方法中有一个必要的 codec 参数，需要传入一个有效的 codec_string，即编解码字符串，描述用于编码或解码的特定编解码器格式。浏览器通过解析该参数，才能知道去调用哪一种编解码器。

codec_string参数无法直接从AVStream上获取，需要结合AVStream中的信息去生成。社区里，这部分的资料非常少，并没有现成可用的轮子，只能自行实现。调研后发现，生成codec_string主要需要两个步骤：

从视频流中解析出视频编解码器的配置信息

将视频编解码器的配置信息按照codec_string的标准进行转换

首先，对于如何从视频流中去解析出视频编解码器的配置，可以自行按照对应的标准去实现，不过对于不同的codec都需要单独实现，这样成本就会比较高，不符合我们低成本的预期。背靠FFmpeg这个丰富的宝库，相信应该能找到可复用的方法，于是在libavformat中一番探索后，果不其然找到了相关的解析方法。

以VP9为例，与ISOM文件之间的绑定规范中（ISOM 即 ISO Base Media File Format，是一种用于存储多媒体内容的文件格式标准，常见的MP4就是基于这种文件格式），可以看到VP编解码配置信息如下：

在libavformat/vpcc.c中存在一个 ff_isom_write_vpcc 方法，该方法用于将 VP 编解码器配置写入到ISOM文件中（例如VP9会被写入到MP4文件的stsd/vp09/vpcC盒子中）。在写入配置前会通过 ff_isom_get_vpcc_features 方法来解析生成配置参数。

由于 ff_ 开头的方法都是FFmpeg内部的方法，无法直接调用，只能将这部分逻辑复制出来，提取出关键部分，改写后作为生成编解码器配置的逻辑。改写后的 get_vpcc_features 如下，包含了生成codec_string所需的参数。

成功解析出编解码器的配置信息后，还需要将配置信息转换成codec_string，于是再结合VP9的Codecs Parameter String规范，实现codec_string的拼装。

生成codec_string后，对生成的codec_string是否能正确被浏览器解析还是有所疑惑，于是去Chromium中简单探索下，找到解析codec_string的方法video_codec_string_parsers源码，看下浏览器在获取到codec_string以后具体是怎么解析的。

找到解析vp9的函数ParseNewStyleVp9CodecID，可以发现首位的 sample entry 4CC必然是vp09，同时profile、level、bitDepth三个必要参数的解析规则与 ff_isom_get_vpcc_features 中产出的配置信息格式能够正确对应上，辅助映证了生成逻辑无误。

另外，可以看到文档上有提到DASH格式中也有使用到codec_string，在 libavformat/dashenc.c 中可以发现有类似的set_vp9_codec_str方法，也是使用 ff_isom_get_vpcc_features 来实现的。

最后的生成函数如下所示：

其他h264、hevc等编码的codec_string生成逻辑也是同理，都能在FFmpeg中找到可参考的方法，并且更加简单。因为h264、hevc的视频编解码配置信息都会写入到 AVStream→codecpar→extradata 中，所以可以直接按照比特位去读取配置信息。以h264为例，参考 ff_isom_write_avcc，了解到配置信息的字段写入顺序与每个字段所占比特位数，从extradata中反向读取对应配置字段，最后再拼接成codec_string即可。

生成WebAVPacket

裁剪转换后的WebAVPacket结构体很简单，仅需包含关键帧、时间戳、时长、大小及数据

新建一个 get_av_packet 函数，用于获取指定时间点的AVPacket。首先与 get_av_stream 一样，查找到对应的视频流索引。根据传入的截帧时间点与视频流索引，定位至指定时间点的帧，读取AVPacket数据，然后进行裁剪转换，返回新定义的结构体WebAVPacket。

JS与C双向通信

在完成C中的 get_av_stream 与 get_av_packet 方法后，还需要在JS胶水代码中建立JS与C的双向通信。下面以 get_av_packet 方法为例。

JS调用C

首先使用Emscripten提供的Module.cwrap方法，将C函数包装成JS函数，调用包装后的JS函数，将文件路径和时间作为入参传入，执行后的返回值为WebAVPacket结构体指针。

C调用JS

C函数执行完毕后，通过返回的WebAVPacket结构体指针从WASM的内存中读取数据。使用Emscripten提供的Module.getValue传入指针，返回内存中具体的值。最后，将所有值组合成一个JS Object，通过postMessage传出。

截帧SDK新增WASM Demuxer

最后，因为WASM的处理逻辑都运行在Worker上，需要在截帧SDK中对postMessage进行Promise化包装，同时适配WebCodecs的参数格式（WebAVStream => VideoDecoderConfig、WebAVPacket => EncodedVideoChunk），封装成WASM Demuxer。

数据结果

WASM Demuxer上线后，使用WASM Demuxer + WebCodecs截帧对比之前使用WASM + FFMpeg截帧，封面推荐耗时P90减少了约 40%，因为视频封装格式不支持导致WebCodecs截帧失败的错误量下降了约 72%

web-demuxer

考虑到很多项目之前并没有WebAssmbly+FFmpeg的基础，提炼了一个名为web-demuxer 的npm包，将WebAssmbly+FFmpeg中demuxer的部分单独提取编译，大大缩减了WASM的体积，支持MP4+MKV的最小版本gzip后的体积为115KB，对大多数Web项目的使用应该还是可接受的。

通过简单的十几行代码就可以实现视频截帧