註：概念
MP4文件中的所有數據都裝在box（QuickTime中為atom）中，也就是說MP4文件由若幹個box組成，每個box有類型和長度，可以將box理解為壹個數據對象塊。box中可以包含另壹個box，這種box稱為container box。壹個MP4文件首先會有且只有壹個“ftyp”類型的box，作為MP4格式的標誌並包含關於文件的壹些信息；之後會有且只有壹個“moov”類型的box（Movie Box），它是壹種container box，子box包含了媒體的metadata信息；MP4文件的媒體數據包含在“mdat”類型的box（Midia Data Box）中，該類型的box也是container box，可以有多個，也可以沒有（當媒體數據全部引用其他文件時），媒體數據的結構由metadata進行描述。
box中的字節序為網絡字節序，也就是大端字節序（Big-Endian），簡單的說，就是壹個32位的4字節整數存儲方式為高位字節在內存的低端。Box由header和body組成，其中header統壹指明box的大小和類型，body根據類型有不同的意義和格式。
標準的box開頭的4個字節（32位）為box size，該大小包括box header和box body整個box的大小，這樣我們就可以在文件中定位各個box。如果size為1，則表示這個box的大小為large size，真正的size值要在largesize域上得到。（實際上只有“mdat”類型的box才有可能用到large size。）如果size為0，表示該box為文件的最後壹個box，文件結尾即為該box結尾。（同樣只存在於“mdat”類型的box中。）
size後面緊跟的32位為box type，壹般是4個字符，如“ftyp”、“moov”等，這些box type都是已經預定義好的，分別表示固定的意義。如果是“uuid”，表示該box為用戶擴展類型。如果box type是未定義的，應該將其忽略。
表明文件類型，該box只有壹個並且只能被包含在文件層，不能被其他box包含。同時，他應該出現在文件的最開始的位置，指示該MP4文件應用的相關信息。ftyp box包含壹個32位的major brand（4個字符），壹個32位的minor version（整數）和壹個以32位為單位的compatible brands數組。
註：box的類型為ftyp box大小為24個字節，其中major_brand和minor_version都是isom。
該box包含了文件媒體的metadata信息，“moov”是壹個container box，具體內容信息由子box詮釋。同File Type Box壹樣，該box有且只有壹個，且只被包含在文件層。壹般情況下，“moov”會緊隨“ftyp”出現。“moov”中會包含1個“mvhd”和若幹個“trak”。其中“mvhd”為header box，壹般作為“moov”的第壹個子box出現（對於其他container box來說，header box都應作為首個子box出現）。“trak”包含了壹個track的相關信息，是壹個container box。