日日操夜夜添-日日操影院-日日草夜夜操-日日干干-精品一区二区三区波多野结衣-精品一区二区三区高清免费不卡

2013年美團外賣成立，至今一直迅猛發展。隨著外賣業務量級與日俱增，單一的文字和圖片已無法滿足商家的需求，商家迫切需要更豐富的商品描述手段吸引用戶，增加流量，進而提高下單轉化率和下單量。商品視頻的引入，在一定程度上可以提升商品信息描述豐富度，以更加直觀的方式為商家引流，增加收益。為此，商家端引入了視頻功能，進行了一系列視頻功能開發，核心功能包含視頻處理（混音，濾鏡，加水印，動畫等）、視頻拍攝、合成等，最終效果圖如下所示：

 

 

 

 

 

自視頻功能上線后，每周視頻樣本量及使用視頻的商家量大幅增加，視頻錄制成功率達99.533%，視頻處理成功率98.818%，音頻處理成功率99.959%，Crash率穩定在0.1‰，穩定性高且可用性強。目前，視頻功能已在蜜蜂App、閃購業務和商家業務上使用。

對于視頻鏈路的開發，我們經歷了方案選型、架構設計及優化、業務實踐、功能測試、監控運維、更新維護等各個環節，核心環節如下圖所示。在開發過程中，遇到了各種技術問題和挑戰，下文會針對遇到的問題、挑戰，及其解決方案進行重點闡述。

 

 

 

方案選型

在方案選型時，重點對核心流程和視頻格式進行選型。我們以功能覆蓋度、穩定性及效率、可定制性、成本及開源性做為核心指標，從而衡量方案的高可用性和可行性。

1. 核心流程選型

視頻開發涉及的核心流程包括播放、錄制、合成、裁剪、后期處理（編解碼、濾鏡、混音、動畫、水印）等。結合商家端業務場景，我們有針對性的進行方案調研。重點調研了業界現有方案，如阿里的云視頻點播方案、騰訊云視頻點播方案、大眾點評App的UGC方案，及其它的一些第三方開源方案等，并進行了整體匹配度的對比，如下圖所示：

 

 

 

阿里和騰訊的云視頻點播方案比較成熟，集成度高，且能力豐富，穩定性及效率也很高。但兩者成本較高，需要收費，且SDK大小均在15M以上，對于我們的業務場景來說有些過于臃腫，定制性較弱，無法迅速的支持我們做定制性擴展。

當時的大眾點評App UGC方案，基礎能力是滿足的，但因業務場景差異：

• 比如外賣的視頻拍攝功能要求在豎屏下保證16:9的視頻寬高比，這就需要對原有的采集區域進行截取，視頻段落的裁剪支持不夠等，業務場景的差異導致了實現方案存在巨大的差異，故放棄了大眾點評App UGC方案。其他的一些開源方案（比如Grafika等），也無法滿足要求，這里不再一一贅述。

 

通過技術調研和分析，吸取各開源項目的優點，并參考大眾點評App UGC、google CTS方案，對核心流程做了最終的方案選型，打造一個適合我們業務場景的方案，如下表所示：

 

 

 

2. 視頻格式選型

 

 

 

• 采用H.264的視頻協議：H.264的標準成熟穩定，普及率高。其最大的優勢是具有很高的數據壓縮比率，在同等圖像質量的條件下，H.264的壓縮比是MPEG-2的2倍以上，是MPEG-4的1.5～2倍。
• 采用AAC的音頻協議：AAC是一種專為聲音數據設計的文件壓縮格式。它采用了全新的算法進行編碼，是新一代的音頻有損壓縮技術，具有更加高效，更具有“性價比”的特點。

整體架構

我們整體的架構設計，用以滿足業務擴展和平臺化需要，可復用、可擴展，且可快速接入。架構采用分層設計，基礎能力和組件進行下沉，業務和視頻能力做分離，最大化降低業務方的接入成本，三方業務只需要接入視頻基礎SDK，直接使用相關能力組件或者工具即可。

整體架構分為四層，分別為平臺層、核心能力層、基礎組件層、業務層。

• 平臺層：依賴系統提供的平臺能力，比如Camera、OpenGL、MediaCodec和MediaMuxer等，也包括引入的平臺能力，比如ijkplayer播放器、mp4parser。
• 核心能力層：該層提供了視頻服務的核心能力，包括音視頻編解碼、音視頻的轉碼引擎、濾鏡渲染能力等。
• 基礎能力層：暴露了基礎組件和能力，提供了播放、裁剪、錄屏等基礎組件和對應的基礎工具類，并提供了可定制的播放面板，可定制的緩存接口等。
• 業務層：包括段落拍攝、自由拍攝、視頻空間、拍攝模版預覽及加載等。

我們的視頻能力層對業務層是透明的，業務層與能力層隔離，并對業務層提供了部分定制化的接口支持，這樣的設計降低了業務方的接入成本，并方便業務方的擴展，比如支持蜜蜂App的播放面板定制，還支持緩存策略、編解碼策略的可定制。整體設計如下圖所示：

 

 

 

實踐經驗

在視頻開發實踐中，因業務場景的復雜性，我們遇到了多種問題和挑戰。下面以核心功能為基點，圍繞各功能遇到的問題做詳細介紹。

視頻播放

播放器是視頻播放基礎。針對播放器，我們進行了一系列的方案調研和選擇。在此環節，遇到的挑戰如下：

1. 兼容性問題

2. 緩存問題

針對兼容性問題，Android有原生的MediaPlayer，但其版本兼容問題偏多且支持格式有限，而我們需要支持播放本地視頻，本地視頻格式又無法控制，故該方案被舍棄。ijkplayer基于FFmpeg，與MediaPlayer相比，優點比較突出：具備跨平臺能力，支持Android與IOS；提供了類似MediaPlayer的API，可兼容不同版本；可實現軟硬解碼自由切換，擁有FFmpeg的能力，支持多種流媒體協議。基于上述原因，我們最終決定選用ijkplayer。

但緊接著又發現ijkplayer本身不支持邊緩存邊播放，頻繁的加載視頻導致耗費大量的流量，且在弱網或者3G網絡下很容易導致播放卡頓，所以這里就衍生出了緩存的問題。

針對緩存問題，引入AndroidVideoCache的技術方案，利用本地的代理去請求數據，先本地保存文件緩存，客戶端通過Socket讀取本地的文件緩存進行視頻播放，這樣就做到了邊播放邊緩存的策略，流程如下圖：

 

 

 

此外，我們還對AndroidVideoCache做了一些技術改造：

• 優化緩存策略。針對緩存策略的單一性，支持有限的最大文件數和文件大小問題，調整為由業務方可以動態定制緩存策略；
• 解決內存泄露隱患。對其頁面退出時請求不關閉會導致的內存泄露，為其添加了完整的生命周期監控，解決了內存泄露問題。

視頻錄制

在視頻拍攝的時候，最為常用的方式是采用MediaRecorder+Camera技術，采集攝像頭可見區域。但因我們的業務場景要求視頻采集的時候，只錄制采集區域的部分區域且比例保持寬高比16:9，在保證預覽圖像不拉伸的情況下，只能對完整的采集區域做裁剪，這無形增加了開發難度和挑戰。通過大量的資料分析，重點調研了有兩種方案：

1. Camera+AudioRecord+MediaCodec+Surface
2. MediaRecorder+MediaCodec

方案1需要Camera采集YUV幀，進行截取采集，最后再將YUV幀和PCM幀進行編碼生成mp4文件，雖然其效率高，但存在不可把控的風險。

方案2綜合評估后是改造風險最小的。綜合成本和風險考量，我們保守的采用了方案2，該方案是對裁剪區域進行坐標換算（如果用前置攝像頭拍攝錄制視頻，會出現預覽畫面和錄制的視頻是鏡像的問題，需要處理）。當錄制完視頻后，生成了mp4文件，用MediaCodec對其編碼，在編碼階段再利用OpenGL做內容區域的裁剪來實現。但該方案又引發了如下挑戰。

（1）對焦問題

因我們對采集區域做了裁剪，引發了點觸對焦問題。比如用戶點擊了相機預覽畫面，正常情況下會觸發相機的對焦動作，但是用戶的點擊區域只是預覽畫面的部分區域，這就導致了相機的對焦區域錯亂，不能正常進行對焦。后期經過問題排查，對點觸區域再次進行相應的坐標變換，最終得到正確的對焦區域。

（2）兼容適配

我們的視頻錄制利用MediaRecorder，在獲取配置信息時，由于Android碎片化問題，不同的設備支持的配置信息不同，所以就會出現設備適配問題。

 // VIVO Y66 模版拍攝時候，播放某些有問題的視頻文件的同時去錄制視頻，會導致MediaServer掛掉的問題
 // 發現將1080P尺寸的配置降低到720P即可避免此問題
 // 但是720P尺寸的配置下，又存在綠邊問題，因此再降到480
 if(isVIVOY66() && mMediaServerDied) {
 return getCamcorderProfile(CamcorderProfile.QUALITY_480P);
 }
 //SM-C9000,在1280 x 720 分辨率時有一條綠邊。網上有種說法是GPU對數據進行了優化，使得GPU產生的圖像分辨率
 //和常規分辨率存在微小差異，造成圖像色彩混亂，修復后存在綠邊問題。
 //測試發現，降低分辨率或者升高分辨率都可以繞開這個問題。
 if (VideoAdapt.MODEL_SM_C9000.equals(Build.MODEL)) {
 return getCamcorderProfile(CamcorderProfile.QUALITY_HIGH);
 }
 // 優先選擇 1080 P的配置
 CamcorderProfile camcorderProfile = getCamcorderProfile(CamcorderProfile.QUALITY_1080P);
 if (camcorderProfile == null) {
 camcorderProfile = getCamcorderProfile(CamcorderProfile.QUALITY_720P);
 }
 // 某些機型上這個 QUALITY_HIGH 有點問題，可能通過這個參數拿到的配置是1080p，所以這里也可能拿不到
 if (camcorderProfile == null) {
 camcorderProfile = getCamcorderProfile(CamcorderProfile.QUALITY_HIGH);
 }
 // 兜底
 if (camcorderProfile == null) {
 camcorderProfile = getCamcorderProfile(CamcorderProfile.QUALITY_480P);
 }

視頻合成

我們的視頻拍攝有段落拍攝這種場景，商家可根據事先下載的模板進行分段拍攝，最后會對每一段的視頻做拼接，拼接成一個完整的mp4文件。mp4由若干個Box組成，所有數據都封裝在Box中，且Box可再包含Box的被稱為Container Box。mp4中Track表示一個視頻或音頻序列，是Sample的集合，而Sample又可分為Video Smaple和Audio Sample。Video Smaple代表一幀或一組連續視頻幀，Audio Sample即為一段連續的壓縮音頻數據。（詳見mp4文件結構。）

基于上面的業務場景需要，視頻合成的基礎能力我們采用mp4parser技術實現（也可用FFmpeg等其他手段）。mp4parser在拼接視頻時，先將視頻的音軌和視頻軌進行分離，然后進行視頻和音頻軌的追加，最終將合成后的視頻軌和音頻軌放入容器里（這里的容器就是mp4的Box）。采用mp4parser技術簡單高效，API設計簡潔清晰，滿足需求。

但我們發現某些被編碼或處理過的mp4文件可能會存在特殊的Box，并且mp4parser是不支持的。經過源碼分析和原因推導，發現當遇到這種特殊格式的Box時，會申請分配一個比較大的空間用來存放數據，很容易造成OOM（內存溢出），見下圖所示。于是，我們對這種拼接場景下做了有效規避，僅在段落拍攝下使用mp4parser的拼接功能，保證處理過的文件不會包含這種特殊的Box。

 

 

 

視頻裁剪

我們剛開始采用mp4parser技術完成視頻裁剪，在實踐中發現其精度誤差存在很大的問題，甚至會影響正常的業務需求。比如禁止裁剪出3s以下的視頻，但是由于mp4parser產生的精度誤差，導致4-5s的視頻很容易裁剪出少于3s的視頻。究其原因，mp4parser只能在關鍵幀（又稱I幀，在視頻編碼中是一種自帶全部信息的獨立幀）進行切割，這樣就可能存在一些問題。比如在視頻截取的起始時間位置并不是關鍵幀，會造成誤差，無法保證精度而且是秒級誤差。以下為mp4parser裁剪的關鍵代碼：

public static double correctTimeToSyncSample(Track track, double cutHere, boolean next) {
 double[] timeOfSyncSamples = new double[track.getSyncSamples().length];
 long currentSample = 0;
 double currentTime = 0;
 for (int i = 0; i < track.getSampleDurations().length; i++) {
 long delta = track.getSampleDurations()[i];
 int index = Arrays.binarySearch(track.getSyncSamples(), currentSample + 1);
 if (index >= 0) {
 timeOfSyncSamples[index] = currentTime;
 }
 currentTime += ((double) delta / (double) track.getTrackMetaData().getTimescale());
 currentSample++;
 }
 double previous = 0;
 for (double timeOfSyncSample : timeOfSyncSamples) {
 if (timeOfSyncSample > cutHere) {
 if (next) {
 return timeOfSyncSample;
 } else {
 return previous;
 }
 }
 previous = timeOfSyncSample;
 }
 return timeOfSyncSamples[timeOfSyncSamples.length - 1];
}

為了解決精度問題，我們廢棄了mp4parser，采用MediaCodec的方案，雖然該方案會增加復雜度，但是誤差精度大大降低。

方案具體實施如下：先獲得目標時間的上一幀信息，對視頻解碼，然后根據起始時間和截取時長進行切割，最后將裁剪后的音視頻信息進行壓縮編碼，再封裝進mp4容器中，這樣我們的裁剪精度從秒級誤差降低到微秒級誤差，大大提高了容錯率。

視頻處理

視頻處理是整個視頻能力最核心的部分，會涉及硬編解碼（遵循OpenMAX框架）、OpenGL、音頻處理等相關能力。

下圖是視頻處理的核心流程，會先將音視頻做分離，并行處理音視頻的編解碼，并加入特效處理，最后合成進一個mp4文件中。

 

 

 

在實踐過程中，我們遇到了一些需要特別注意的問題，比如開發時遇到的坑，嚴重的兼容性問題（包括硬件兼容性和系統版本兼容性問題）等。下面重點講幾個有代表性的問題。

1. 偶數寬高的編解碼器

視頻經過編碼后輸出特定寬高的視頻文件時出現了如下錯誤，信息里僅提示了Colorformat錯誤，具體如下：

 

 

 

查閱大量資料，也沒能解釋清楚這個異常的存在。基于日志錯誤信息，并通過系統源碼定位，也只是發現是了和設置的參數不兼容導致的。經過反復的試錯，最后確認是部分編解碼器只支持偶數的視頻寬高，所以我們對視頻的寬高做了偶數限制。引起該問題的核心代碼如下：

status_t ACodec::setupVideoEncoder(const char *mime, const sp<AMessage> &msg,
 sp<AMessage> &outputFormat, sp<AMessage> &inputFormat) {
 if (!msg->findInt32("color-format", &tmp)) {
 return INVALID_OPERATION;
 }
 OMX_COLOR_FORMATTYPE colorFormat =
 static_cast<OMX_COLOR_FORMATTYPE>(tmp);
 status_t err = setVideoPortFormatType(
 kPortIndexInput, OMX_VIDEO_CodingUnused, colorFormat);
 if (err != OK) {
 ALOGE("[%s] does not support color format %d",
 mComponentName.c_str(), colorFormat);
 return err;
 }
 .......
}
status_t ACodec::setVideoPortFormatType(OMX_U32 portIndex,OMX_VIDEO_CODINGTYPE compressionFormat,
 OMX_COLOR_FORMATTYPE colorFormat,bool usingNativeBuffers) {
 ......
 for (OMX_U32 index = 0; index <= kMaxIndicesToCheck; ++index) {
 format.nIndex = index;
 status_t err = mOMX->getParameter(
 mNode, OMX_IndexParamVideoPortFormat,
 &format, sizeof(format));
 if (err != OK) {
 return err;
 }
 ......
}

2. 顏色格式

我們在處理視頻幀的時候，一開始獲得的是從Camera讀取到的基本的YUV格式數據，如果給編碼器設置YUV幀格式，需要考慮YUV的顏色格式。這是因為YUV根據其采樣比例，UV分量的排列順序有很多種不同的顏色格式，Android也支持不同的YUV格式，如果顏色格式不對，會導致花屏等問題。

3. 16位對齊

這也是硬編碼中老生常談的問題了，因為H264編碼需要16*16的編碼塊大小。如果一開始設置輸出的視頻寬高沒有進行16字節對齊，在某些設備（華為，三星等）就會出現綠邊，或者花屏。

4. 二次渲染

4.1 視頻旋轉

在最后的視頻處理階段，用戶可以實時的看到加濾鏡后的視頻效果。這就需要對原始的視頻幀進行二次處理，然后在播放器的Surface上渲染。首先我們需要OpenGL 的渲染環境（通過OpenGL的固有流程創建），渲染環境完成后就可以對視頻的幀數據進行二次處理了。通過SurfaceTexture的updateTexImage接口，可將視頻流中最新的幀數據更新到對應的GL紋理，再操作GL紋理進行濾鏡、動畫等處理。在處理視頻幀數據的時候，首先遇到的是角度問題。在正常播放下（不利用OpenGL處理情況下）通過設置TextureView的角度（和視頻的角度做轉換）就可以解決，但是加了濾鏡后這一方案就失效了。原因是視頻的原始數據經過紋理處理再渲染到Surface上，單純設置TextureView的角度就失效了，解決方案就是對OpenGL傳入的紋理坐標做相應的旋轉（依據視頻的本身的角度）。

4.2 渲染停滯

視頻在二次渲染后會出現偶現的畫面停滯現象，主要是SurfaceTexture的OnFrameAvailableListener不返回數據了。該問題的根本原因是GPU的渲染和視頻幀的讀取不同步，進而導致SurfaceTexture的底層核心BufferQueue讀取Buffer出了問題。下面我們通過BufferQueue的機制和核心源碼深入研究下：

首先從二次渲染的工作流程入手。從圖像流（來自Camera預覽、視頻解碼、GL繪制場景等）中獲得幀數據，此時OnFrameAvailableListener會回調。再調用updateTexImage()，會根據內容流中最近的圖像更新SurfaceTexture對應的GL紋理對象。我們再對紋理對象做處理，比如添加濾鏡等效果。SurfaceTexture底層核心管理者是BufferQueue，本身基于生產者消費者模式。

BufferQueue管理的Buffer狀態分為：FREE、DEQUEUED、QUEUED、ACQUIRED、SHARED。當Producer需要填充數據時，需要先Dequeue一個Free狀態的Buffer，此時Buffer的狀態為DEQUEUED，成功后持有者為Producer。隨后Producer填充數據完畢后，進行Queue操作，Buffer狀態流轉為QUEUED，且Owner變為BufferQueue，同時會回調BufferQueue持有的ConsumerListener的onFrameAvailable，進而通知Consumer可對數據進行二次處理了。Consumer先通過Acquire操作，獲取處于QUEUED狀態的Buffer，此時Owner為Consumer。當Consumer消費完Buffer后，會執行Release，該Buffer會流轉回BufferQueue以便重用。BufferQueue核心數據為GraphicBuffer，而GraphicBuffer會根據場景、申請的內存大小、申請方式等的不同而有所不同。

SurfaceTexture的核心流程如下圖：

 

 

 

通過上圖可知，我們的Producer是Video，填充視頻幀后，再對紋理進行特效處理（濾鏡等），最后再渲染出來。前面我們分析了BufferQueue的工作流程，但是在Producer要填充數據、執行dequeueBuffer操作時，如果有Buffer已經QUEUED，且申請的dequeuedCount大于mMaxDequeuedBufferCount，就不會再繼續申請Free Buffer了，Producer就無法DequeueBuffer，也就導致onFrameAvailable無法最終調用，核心源碼如下：

status_t BufferQueueProducer::dequeueBuffer(int *outSlot,sp<android::Fence> *outFence, uint32_t width, uint32_t height,
 PixelFormat format, uint32_t usage,FrameEventHistoryDelta* outTimestamps) {
 ......
 int found = BufferItem::INVALID_BUFFER_SLOT;
 while (found == BufferItem::INVALID_BUFFER_SLOT) {
 status_t status = waitForFreeSlotThenRelock(FreeSlotCaller::Dequeue,
 & found);
 if (status != NO_ERROR) {
 return status;
 }
 }
 ......
}
status_t BufferQueueProducer::waitForFreeSlotThenRelock(FreeSlotCaller caller,
 int*found) const{
 ......
 while (tryAgain) {
 int dequeuedCount = 0;
 int acquiredCount = 0;
 for (int s : mCore -> mactiveBuffers) {
 if (mSlots[s].mBufferState.isDequeued()) {
 ++dequeuedCount;
 }
 if (mSlots[s].mBufferState.isAcquired()) {
 ++acquiredCount;
 }
 }
 // Producers are not allowed to dequeue more than
 // mMaxDequeuedBufferCount buffers.
 // This check is only done if a buffer has already been queued
 if (mCore -> mBufferHasBeenQueued &&
 dequeuedCount >= mCore -> mMaxDequeuedBufferCount) {
 BQ_LOGE("%s: attempting to exceed the max dequeued buffer count "
 "(%d)", callerString, mCore -> mMaxDequeuedBufferCount);
 return INVALID_OPERATION;
 }
 }
 .......
 }

5. 碼流適配

視頻的監控體系發現，Android 9.0的系統出現大量的編解碼失敗問題，錯誤信息都是相同的。在MediaCodec的Configure時候出異常了，主要原因是我們強制使用了CQ碼流，Android 9.0以前并無問題，但9.0及以后對CQ碼流增加了新的校驗機制而我們沒有適配。核心流程代碼如下：

status_t ACodec::configureCodec(
 const char *mime, const sp<AMessage> &msg) {
 .......
 if (encoder) {
 if (mIsVideo || mIsImage) {
 if (!findVideoBitrateControlInfo(msg, &bitrateMode, &bitrate, &quality)) {
 return INVALID_OPERATION;
 }
 } else if (strcasecmp(mime, MEDIA_MIMETYPE_AUDIO_FLAC)
 && !msg->findInt32("bitrate", &bitrate)) {
 return INVALID_OPERATION;
 }
 }
 .......
}
static bool findVideoBitrateControlInfo(const sp<AMessage> &msg,
 OMX_VIDEO_CONTROLRATETYPE *mode, int32_t *bitrate, int32_t *quality) {
 *mode = getVideoBitrateMode(msg);
 bool isCQ = (*mode == OMX_Video_ControlRateConstantQuality);
 return (!isCQ && msg->findInt32("bitrate", bitrate))
 || (isCQ && msg->findInt32("quality", quality));
}
9.0前并無對CQ碼流的強校驗，如果不支持該碼流也會使用默認支持的碼流，
static OMX_VIDEO_CONTROLRATETYPE getBitrateMode(const sp<AMessage> &msg) {
 int32_t tmp;
 if (!msg->findInt32("bitrate-mode", &tmp)) {
 return OMX_Video_ControlRateVariable;
 }
 return static_cast<OMX_VIDEO_CONTROLRATETYPE>(tmp);
}

關于碼流還有個問題，就是如果通過系統的接口isBitrateModeSupported（int mode），判斷是否支持該碼流可能會出現誤判，究其原因是framework層寫死了該返回值，而并沒有從硬件層或從media_codecs.xml去獲取該值。關于碼流各硬件廠商支持的差異性，可能谷歌也認為碼流的兼容性太碎片化，不建議用非默認的碼流。

6. 音頻處理

音頻處理還括對音頻的混音、消聲等操作。在混音操作的時候，還要注意音頻文件的單聲道轉換等問題。

其實視頻問題總結起來，大部分是都會牽扯到編解碼（尤其是使用硬編碼），需要大量的適配工作（以上也只是部分問題，碎片化還是很嚴峻的），所以就需要兜底容錯方案，比如加入軟編。

線上監控

視頻功能引入了埋點、日志、鏈路監控等技術手段進行線上的監控，我們可以針對監控結果進行降級或維護更新。埋點更多的是產品維度的數據收集，日志是輔助定位問題的，而鏈路監控則可以做到監控預警。

我們加了拍攝流程、音視頻處理、視頻上傳流程的全鏈路監控，整個鏈路如果任何一個節點出問題都認為是整個鏈路的失敗，若失敗次數超過閾值就會通過大象或郵件進行報警，我們在適配Andorid 9.0碼流問題時，最早發現也是由于鏈路監控的預警。所有全鏈路的成功率目標值均為98%，若成功率低于92%的目標閾值就會觸發報警，我們會根據報警的信息和日志定位分析，該異常的影響范圍，再根據影響范圍確定是否熱修復或者降級。

我們以拍攝流程為例，來看看鏈路各核心節點的監控，如下圖：

 

 

 

容災降級

視頻功能目前只支持粗粒度的降級策略。我們在視頻入口處做了開關控制，關掉后所有的視頻功能都無法使用。我們通過線上監控到視頻的穩定性和成功率在特定機型無法保證，導致影響用戶正常的使用商家端App，可以支持針對特定設備做降級。后續我們可以做更細粒度的降級策略，比如根據P0級功能做降級，或者編解碼策略的降級等。

維護更新

視頻功能上線后，經歷了幾個穩定的版本，保持著較高的成功率。但近期收到了Sniffer（美團內部監控系統）的郵件報警，發現視頻處理鏈路的失敗次數明顯增多，通過Sniffer收集的信息發現大部分都是Android 9.0的問題（也就是上面講的Android 9.0碼流適配的問題），我們在商家端5.2版本進行了修復。該問題解決后，我們的視頻處理鏈路成功率也恢復到了98%以上。

總結和規劃

視頻功能上線后，穩定性、內存、CPU等一些相關指標數據比較理想。我們建設的監控體系，覆蓋了視頻核心業務，一些異常報警讓我們能夠及時發現問題并迅速對異常進行維護更新。但視頻技術棧遠比本文介紹的要龐大，怎么提高秒播率，怎么提高編解碼效率，還有硬編解碼過程中可能造成的花屏、綠邊等問題都是挑戰，需要更深入的研究解決。

未來我們會繼續致力于提高視頻處理的兼容性和效率，優化現有流程，我們會對音頻和視頻處理合并處理，也會引入軟編和自定義編解碼算法。

美團外賣大前端團隊將來也會繼續致力于提高用戶的體驗，將在實踐過程中遇到的問題進行總結，繼續和大家分享。敬請關注。

如果你也對視頻技術感興趣，歡迎加入我們。

參考資料

• Android開發者官網
• Google CTS
• Grafika
• BufferQueue原理介紹
• MediaCodec原理
• 微信Android 視頻編碼爬過的坑
• mp4文件結構（一）、（二）、（三）、（四）
• AndroidVideoCache 代理策略
• ijkplayer
• mp4parser
• GPUImage

作者簡介

金輝、李瓊，美團外賣商家終端研發工程師。