视频分布式转码-只需批量计算一个API

2020-02-10 15:57:14 浏览数 (1)

1. 视频分布式转码

网络流量分析机构Sandvine 2018年10月的《全球互联网现象报告》中显示，在全球整体的互联网下行流量中，视频占到了近58%。现在原始视频的分辨率越来越高，但是在互联网带宽有限的情况下，大部分视频提供商都需要将原始视频转码成多种清晰度的视频，便于用户在不同的网络环境中选择不同清晰度的视频进行观看。因此，视频转码成了必不可少的技术环节。

目前视频转码系统一般的架构形式如下图所示：

转码系统架构转码系统架构

转码系统中各个角色的功能如下：

转码中心控制节点：负责调度和分发转码任务，原始视频切片和转码后视频合并等工作。

转码机： 从中心控制节点接收转码任务，完成转码工作，高CPU消耗。

存储系统：存储源视频供转码机机型下载，以及转码后的视频供用户下载。

而为了加快转码速度，多采用分片转码，具体流程如下图所示：

分片转码原理图分片转码原理图

若从零开始搭建这套转码系统需要开发的服务器角色多、交互多、任务管理调度复杂。一般转码机都是高CPU消耗，这就需要提高硬件配置，而在没有转码任务时，系统中的服务器实际是处于空闲状态，这也是一种很大的资源浪费。

使用腾讯云的批量计算产品，只需要调用一个API-SubmitJob 就能自动完成上述复杂的调度和交互流程。并且批量计算只在提交转码任务时才创建腾讯云服务器，在转码任务完成后自动释放云服务器，做到按量按需使用，极大地节约资源。同时批量计算结合了腾讯云的竞价实例，更是能让云服务器使用成本减少90%以上。

本文将介绍一种使用腾讯云批量计算完成分布式转码的方法。

2. 使用腾讯云批量计算转码

2.1. 批量计算简介

腾讯云批量计算-Batch Compute，动态创建服务器资源以响应提交的作业，可以免除用户配置维护云服务器的工作，按需使用。同时批量计算利用自身的调度功能，能有效地处理作业内部任务之间的先后关系，免去复杂的调度逻辑，让使用者将更多的精力集中于数据的处理和分析上。

2.2. 批量计算与分布式转码

批量计算中有三个重要的概念：

作业：用户提交批处理工作的最小单位，它由单个或多个有前后依赖关系的任务组成。可以通过非常易用的 DAG 语法，来给多个批处理任务设置依赖关系，共同组成一个作业，然后依次执行各个任务，直到所有任务完成。

任务：作业的基本组成单位，包含了实际在一台云服务器上执行的应用程序的相关信息。

任务实例： 批量计算调度和执行的最小单元，负责执行具体的计算任务。

现在我们在分布式转码这个场景上，具化批量计算这三个重要的概念。

转码作业中包含三个任务：视频分片任务，视频转码任务和视频合并任务。

而视频转码任务中又包含多个分片视频转码的任务实例。

具体的对应关系如下图所示：

批量计算通过作业、任务和任务实例这种内在的逻辑关系，就可以帮助我们在视频分片结束后，多机器并行执行转码工作，当全部分片转码结束后，执行视频合并工作。这与传统转码系统相比，就少去了中心节点服务器与转码机之间复杂的交互和调度逻辑。

2.3. 批量计算与存储系统

批量计算提供的存储映射功能，可以将腾讯云对象存储 COS 或文件存储 CFS映射到云服务器的本地文件系统，这样转码程序就可以以操作本地文件系统的方式来读写远程存储。便于转码服务器下载源视频文件和上传转码后的视频文件。这与传统转码系统相比，只需要添加存储映射配置路径，省却了搭建存储服务器的工作。另外如果使用COS存储转码后的文件，则可以作为CDN的源站，使得视频分发工作更容易。

3. 批量计算进行转码示例

3.1. 整体架构

3.2. 视频文件存储目录结构

批量计算使用CFS或者COS来存储视频文件方式都是一样的，只是在作业中配置的存储映射地址不同而已。本示例，使用CFS存储。

下面我们来介绍视频存储目录结构：

video/source：存放原始视频文件。

video/split：存放切片后的文件。

video/transcode：存放转码后的切片文件。

video/output：存放合并后的完整转码文件。

每个视频以视频名作为目录存放到上述各个目录中。

3.3. 转码方法介绍

转码工具使用音视频行业最常使用的ffmpeg。

3.3.1. 视频切片命令

代码语言：javascript复制
ffmpeg -y -i /data/video/source/megaproject/megaproject.mp4 -acodec copy -vcodec copy -f segment -segment_time 120 -reset_timestamps 1 -segment_list /data/video/transcode/megaproject/filelist.txt -segment_list_type ffconcat -map 0:0 -map 0:1 /data/video/split/megaproject/%d.mp4

主要参数介绍：

-f segment :按照关键帧进行视频切片，这样可以防止视频合并后有重叠的现象发生。

-segment_time 120 :按照每段视频120秒来切片。时间可以自行设置。

-reset_timestamps 1: 每个切片的视频时间戳从0开始。

-segment_list : 存放切片视频名的列表文件。

-segment_list_type ffconcat: 指定存放切片视频名列表文件的格式，ffconat表示可以使用ffmpeg conat 解复用器来使用的文件格式。

/data/video/split/megaproject/%d.mp4 :表示切片后视频命名路径和格式，%d表示从0开始一直到N-1，表示N个切片。

3.3.2. 分片后视频转码命令

代码语言：javascript复制
ffmpeg -y -i /data/video/split/megaproject/${BATCH_TASK_INSTANCE_INDEX}.mp4 -vcodec libx264 -acodec aac -b:a 128k -strict -2 -s 640x480 /data/video/transcode/megaproject/${BATCH_TASK_INSTANCE_INDEX}.mp4

主要参数介绍：

-vcodec libx264:视频编码格式。

-strict -2: aac ：ffmpeg中aac音频为experimental，为了使用该格式，需要加上此参数。

-s 640x480： 转码后视频分辨率。

${BATCH_TASK_INSTANCE_INDEX}这个环境变量为批量计算任务实例的编号，与实例个数N相关。取值范围为[0, N-1]，这正好对应ffmpeg分片出来的视频名称序号。

3.3.3. 视频合并命令

代码语言：javascript复制
ffmpeg -y -f concat -i /data/video/transcode/megaproject/filelist.txt -c copy /data/video/output/megaproject/480P_megaproject.mp4

主要参数介绍：

-f concat: 表示合并视频

-i /data/video/transcode/megaproject/filelist.txt：表示根据filelist.txt文件中的视频来合并。

-c copy: 表示对音视频流只进行简单复制。

3.4. 构造批量计算提交作业API

使用批量计算转码，只需要使用SubmitJob API，填入作业、任务、任务实例，云服务器和挂载存储映像的参数即可。

本次示例我们将一个720P时长50分钟的视频，转码为480P的视频为例，每个转码分片为2分钟，共25个分片。转码后视频编码为libx264，音频编码为aac。

下面介绍构建的SubmitJob API的主要参数：

全部参数可以参考API文档：https://cloud.tencent.com/document/product/599/15907

完整的API请求参数，请见附件submitjob.json。

3.4.1. 作业参数

创建一个Job：video-transcode

Job中包含为三个Task：split，transcode和join。

Task split：任务实例数TaskInstanceNum=1。

Task transcode：任务实例数TaskInstanceNum=N=25，N为视频分片的数量。

Task join：任务实例数TaskInstanceNum=1。

代码语言：javascript复制
{
	"Job": {
		"JobName": "video-transcode",
	  "Tasks": [
			 {
					"TaskName": "split",
					"TaskInstanceNum": 1,
					"Application": {
						"Command": "/data/code/split.sh megaproject"
					}
				},
				{
					"TaskName": "transcode",
					"TaskInstanceNum": 25,
					"Application": {
						"Command": "/data/code/transcode.sh megaproject"
					}
				},
				{
					"TaskName": "join",
					"TaskInstanceNum": 1,
					"Application": {
						"Command": "/data/code/join.sh megaproject"
					}
				}
		]
	}
}

其中Command为云服务器中执行的命令，split.sh,transcode.sh,join.sh中存放的内容对应于3.3节中介绍的使用ffmpeg进行视频切片，转码和合并的命令。

作业中任务执行顺序：

使用Dependences参数表示任务之间的关系

代码语言：javascript复制
"Dependences": [
		{
			"StartTask": "split",
			"EndTask": "transcode"
			
		},
		{
			"StartTask": "transcode",
			"EndTask": "join"
			
		}
]

3.4.2. 云服务器参数

代码语言：javascript复制
"ComputeEnv": {
		"EnvData": {
				"InstanceType": "S2.SMALL2",
	 		 "ImageId": "img-hmxop735",
		}
}

InstanceType：”S2.SMALL2” ，表示使用云服务器机型为1核CPU，2G内存。

ImageId： “img-hmxop735”，表示云服务器操作系统镜像，具体为centos7.4 预装了ffmpeg2.8.6的操作系统。

3.4.3. 存储映射路径参数

代码语言：javascript复制
"InputMappings": [
 {
   "SourcePath": "cifs://10.10.10.10/8lzib3st/",
   "DestinationPath": "/data/"
 }
 ]

SourcePath：cifs://10.10.10.10/8lzib3st/，表示CFS远端路径。

DestinationPath: /data/，表示本地挂载路径。

3.5. 转码结果

视频分片后多机并行转码，每个视频分片转码任务耗时3分钟左右。

批量计算分布式转码整体耗时12分钟11秒

单机转码整体耗时32分钟23秒

4. 总结

根据上述对传统转码系统的分析和批量计算的介绍，我们对比一下两者在完成分布式转码功能上的差异。

对比点

传统转码系统

批量计算

服务器硬件数量

数量固定，空闲时资源浪费

动态扩缩容，按需使用与释放。

服务器硬件配置级别与使用

多转码任务共享，配置高，价格贵

转码任务独占，配置低，价格低，使用竞价实例云服务器，更是能减少90%以上成本。

转码任务调度

自行开发程序，中心节点和转码机交互逻辑多，调度复杂。

调用一个API，批量计算作业，内部自动支持任务先后顺序的调度。

文件存储

自行开发，业务逻辑复杂

无缝对接腾讯云COS或者CFS存储。

文件分发

转码文件需上传源站后，自行分发，对接CDN分发。

转码后文件自动上传腾讯云COS后，可无缝对接腾讯云CDN分发。

批量计算为分布式转码提供了一个新的解决方案，只需要一个API调用，即可省却开发复杂转码系统的工作。不仅能提高转码速度，还可以免去维护服务器资源和转码程序的工作。

5. 参考资料

1.《全球互联网现象报告》

https://www.sandvine.com/hubfs/downloads/phenomena/2018-phenomena-report.pdf

2.ffmpeg https://www.ffmpeg.org/ffmpeg.html

3.腾讯云批量计算 https://cloud.tencent.com/document/product/599

4.腾讯云云服务器 https://cloud.tencent.com/document/product/213

5.腾讯云COS https://cloud.tencent.com/document/product/436

6.腾讯云CFS https://cloud.tencent.com/document/product/582

批量计算 图像处理 api https 云点播

0 人点赞