零基础入门：基于开源WebRTC，从0到1实现实时音视频聊天功能

本文由微医云技术团队前端工程师张宇航分享，原题“从0到1打造一个 WebRTC 应用”，有修订和改动。

1、引言

去年初，突如其来的新冠肺炎疫情让线下就医渠道几乎被切断，在此背景下，在线问诊模式快速解决了大量急需就医病患的燃眉之急。而作为在线问诊中重要的一环——医患之间的视频问诊正是应用了实时音视频技术才得以实现。

众所周之，实时音视频聊天技术门槛很高，一般的公司要想在短时间内从零补齐这方面的技术短板相当困难，而开源音视频工程WebRTC提供了这样一个捷径（包括笔者公司的产品在内，同样是基于WebRTC技术才得以达成）。

本文将基于笔者公司开发的在线问诊产品中WebRTC技术的实践经验，讲述的如何基于WebRTC从零开发一个实时音视频聊天功能。文章会从WebRTC的基本知识、技术原理开始，基于开源技术为你演示如何搭建一个WebRTC实时音视频聊天功能。

2、本文源码

完整源码附件下载：https://gitee.com/instant_messaging_network/learn-webrtc

cdwebrtc-server yarn npm start cdwebrtc-static yarn npm start

3、知识准备

3.1 音视频理论基础

在了解WebRTC技术之前，如果你对音视频技术的基础理论还不了解的话，建议优先从以下几篇入门文章先学一学。

《零基础，史上最通俗视频编码技术入门》（* 必读）
《写给小白的实时音视频技术入门提纲》
《零基础入门：实时音视频技术基础知识全面盘点》
《实时音视频面视必备：快速掌握11个视频技术相关的基础概念》（* 必读）
《爱奇艺技术分享：轻松诙谐，讲解视频编解码技术的过去、现在和将来》

3.2 什么是WebRTC

▲ 图片引用自《了不起的WebRTC：生态日趋完善，或将实时音视频技术白菜化》

WebRTC（Web Real-Time Communication）是 Google 在 2010 年以 6820 万美元收购 VoIP 软件开发商 Global IP Solutions 的 GIPS 引擎，并改名为“WebRTC”于 2011 年将其开源的旨在建立一个互联网浏览器之间的音视频和数据实时通信的平台。更多WebRTC介绍详见《了不起的WebRTC：生态日趋完善，或将实时音视频技术白菜化》，本文不做赘述。

那么 WebRTC 能做些什么呢？

除了我们大家每天都在用的微信、钉钉、qq这类传统的IM社交软件中的实时音视频通话以外，笔者公司产品中涉及医疗领域中的在线问诊/远程门诊/远程会诊，还有时下较为流行的互动直播、在线教育等场景。除此之外，伴随着 5G 的快速建设，WebRTC 也为云游戏提供了很好的技术支撑。

3.3 WebRTC的学习资源

WebRTC官方资源：

《WebRTC开源工程官网》
《WebRTC开源工程源码托管地址》
《WebRTC标准API在线文档》

其它WebRTC学习资源：

《开源实时音视频技术WebRTC在Windows下的简明编译教程》
《WebRTC实时音视频技术的整体架构介绍》
《良心分享：WebRTC 零基础开发者教程（中文）[附件下载]》

4、WebRTC技术组成

来自WebRTC 官网的整体技术组成图：

整个WebRTC大致可以分为以下 3 部分：

1）紫色提供给 Web 前端开发使用的 API；
2）蓝色实线部分提供各大浏览器厂商使用的 API；
3）蓝色虚线部分包含 3 部分：音频引擎、视频引擎、网络传输 (Transport)，都可以自定义实现。

因篇幅有限，本节不深入讨论，有兴趣可以读读《WebRTC实时音视频技术的整体架构介绍》。

5、WebRTC的P2P通信原理

5.1 P2P通信的技术难点

P2P通信即点对点通信。

要实现两个不同网络环境（具有麦克风、摄像头设备）的客户端（可能是不同的 Web 浏览器或者手机 App）之间的实时音视频通信的难点在哪里、需要解决哪些问题？

总结一下，主要是下面这3个问题：

1）怎么知道彼此的存在也就是如何发现对方？
2）彼此音视频编解码能力如何沟通？
3）音视频数据如何传输，怎么能让对方看得自己？

下面我们将逐个讨论这3个问题。

5.2 怎么知道彼此的存在（也就是如何发现对方）？

对于问题 1：WebRTC 虽然支持端对端通信，但是这并不意味着 WebRTC 不再需要服务器。

在P2P通信的过程中，双方需要交换一些元数据比如媒体信息、网络数据等等信息,我们通常称这一过程叫做“信令(signaling)”。

对应的服务器即“信令服务器 (signaling server)”，通常也有人将之称为“房间服务器”，因为它不仅可以交换彼此的媒体信息和网络信息，同样也可以管理房间信息。

比如：

1）通知彼此 who 加入了房间；
2）who 离开了房间
3）告诉第三方房间人数是否已满是否可以加入房间。

为了避免出现冗余，并最大限度地提高与已有技术的兼容性，WebRTC 标准并没有规定信令方法和协议。在本文后面的实践章节会利用 Koa 和 Socket.io 技术实现一个信令服务器。

5.3 彼此音视频编解码能力如何沟通？

对于问题 2：我们首先要知道的是，不同浏览器对于音视频的编解码能力是不同的。

比如: Peer-A 端支持 H264、VP8 等多种编码格式，而 Peer-B 端支持 H264、VP9 等格式。为了保证双方都可以正确的编解码，最简单的办法即取它们所都支持格式的交集-H264。

在 WebRTC 中：有一个专门的协议，称为Session Description Protocol(SDP)，可以用于描述上述这类信息。

因此：参与音视频通讯的双方想要了解对方支持的媒体格式，必须要交换 SDP 信息。而交换 SDP 的过程，通常称之为媒体协商。

5.4 音视频数据如何传输，怎么能让对方看得自己？

对于问题 3：其本质上就是网络协商的过程，即参与音视频实时通信的双方要了解彼此的网络情况，这样才有可能找到一条相互通讯的链路。

理想的网络情况是每个浏览器的电脑都有自己的私有公网 IP 地址，这样的话就可以直接进行点对点连接。

但实际上：出于网络安全和 IPV4 地址不够的考虑，我们的电脑与电脑之间或大或小都是在某个局域网内，需要NAT（“Network Address Translation,” 中文译为“网络地址转换”）。在 WebRTC 中我们使用 ICE 机制建立网络连接。

那么何为 ICE？

ICE (Interactive Connecctivity Establishment, 交互式连接建立)，ICE 不是一种协议，而是整合了 STUN 和 TURN 两种协议的框架。

其中：STUN（Sesssion Traversal Utilities for NAT, NAT 会话穿越应用程序），它允许位于 NAT（或多重 NAT）后的客户端找出自己对应的公网 IP 地址和端口，也就是俗称的P2P“打洞”。

但是：如果 NAT 类型是对称型的话，那么就无法打洞成功。这时候 TURN 就派上用场了，TURN（Traversal USing Replays around NAT）是 STUN/RFC5389 的一个拓展协议在其基础上添加了 Replay(中继)功能。

简单来说：其目的就是解决对称 NAT 无法穿越的问题，在 STUN 分配公网 IP 失败后，可以通过 TURN 服务器请求公网 IP 地址作为中继地址。

在 WebRTC 中有三种类型的 ICE 候选者，它们分别是：

1）主机候选者：表示的是本地局域网内的 IP 地址及端口。它是三个候选者中优先级最高的，也就是说在 WebRTC 底层，首先会尝试本地局域网内建立连接；
2）反射候选者：表示的是获取 NAT 内主机的外网 IP 地址和端口。其优先级低于主机候选者。也就是说当 WebRTC 尝试本地连接不通时，会尝试通过反射候选者获得的 IP 地址和端口进行连接；
3）中继候选者：表示的是中继服务器的 IP 地址与端口，即通过服务器中转媒体数据。当 WebRTC 客户端通信双方无法穿越 P2P NAT 时，为了保证双方可以正常通讯，此时只能通过服务器中转来保证服务质量了。

从上图我们可以看出：在非本地局域网内 WebRTC 通过 STUN server 获得自己的外网 IP 和端口，然后通过信令服务器与远端的 WebRTC 交换网络信息，之后双方就可以尝试建立 P2P 连接了。当 NAT 穿越不成功时，则会通过 Relay server (TURN)中转。

值得一提的是：在 WebRTC 中网络信息通常用candidate来描述，而上述图中的 STUN server 和 Replay server 也都可以是同一个 server。在文末的实践章节即是采用了集成了 STUN(打洞)和 TURN(中继)功能的开源项目 coturn。

综上对三个问题的解释，我们可以用下图来说明 WebRTC 点对点通信的基本原理。

简而言之：就是通过 WebRTC 提供的 API 获取各端的媒体信息 SDP 以及网络信息 candidate ，并通过信令服务器交换，进而建立了两端的连接通道完成实时视频语音通话。

PS：有关P2P的相关知识，可以深入学习一下文章：

《P2P技术详解(一)：NAT详解——详细原理、P2P简介》
《P2P技术详解(二)：P2P中的NAT穿越(打洞)方案详解(基本原理篇)》
《P2P技术详解(三)：P2P中的NAT穿越(打洞)方案详解(进阶分析篇)》
《P2P技术详解(四)：P2P技术之STUN、TURN、ICE详解》
《通俗易懂：快速理解P2P技术中的NAT穿透原理》

6、WebRTC的几个重要的API

6.1 音视频采集 API

音视频采集 API，即 MediaDevices.getUserMedia()。

示例代码：

const constraints = { video: true, audio: true }; // 非安全模式（非https/localhost）下 navigator.mediaDevices 会返回 undefined try{ const stream = await navigator.mediaDevices.getUserMedia(constraints); document.querySelector('video').srcObject = stream; } catch(error) { console.error(error); }

6.2 获取音视频设备输入输出列表

获取音视频设备输入输出列表API，即 MediaDevices.enumerateDevices()。

示例代码：

try{ const devices = await navigator.mediaDevices.enumerateDevices(); this.videoinputs = devices.filter(device => device.kind === 'videoinput'); this.audiooutputs = devices.filter(device => device.kind === 'audiooutput'); this.audioinputs = devices.filter(device => device.kind === 'audioinput'); } catch(error) { console.error(error); }

6.3 RTCPeerConnection

RTCPeerConnection 作为创建点对点连接的 API,是我们实现音视频实时通信的关键。

在本文的实践章节中，主要运用到了以下方法。

媒体协商方法：

createOffer
createAnswer
localDesccription
remoteDesccription

重要事件：

onicecandidate
onaddstream

在上个章节的描述中可以知道 P2P 通信中最重要的一个环节就是交换媒体信息。

媒体协商原理：

从上图不难发现，整个媒体协商过程可以简化为三个步骤对应上述四个媒体协商方法。

具体是：

1）呼叫端 Amy 创建 Offer(createOffer)并将 offer 消息（内容是呼叫端 Amy 的 SDP 信息）通过信令服务器传送给接收端 Bob,同时调用 setLocalDesccription 将含有本地 SDP 信息的 Offer 保存起来；
2）接收端 Bob 收到对端的 Offer 信息后调用 setRemoteDesccription 方法将含有对端 SDP 信息的 Offer 保存起来，并创建 Answer(createAnswer)并将 Answer 消息（内容是接收端 Bob 的 SDP 信息）通过信令服务器传送给呼叫端 Amy；
3）呼叫端 Amy 收到对端的 Answer 信息后调用 setRemoteDesccription 方法将含有对端 SDP 信息的 Answer 保存起来。

经过上述三个步骤，则完成了 P2P 通信过程中的媒体协商部分。

实际上：在呼叫端以及接收端调用 setLocalDesccription 同时也开始了收集各端自己的网络信息(candidate)，然后各端通过监听事件 onicecandidate 收集到各自的 candidate 并通过信令服务器传送给对端，进而打通 P2P 通信的网络通道，并通过监听 onaddstream 事件拿到对方的视频流进而完成了整个视频通话过程。

7、动手编码实践

提示：本节所涉及的完整源码，请从本文“2、本文源码”一节的附件下载。

7.1 coturn 服务器的搭建

注意：如果只是本地局域网测试则无需搭建 [url=[url=https://github.com/coturn/]coturn[/url]]coturn[/url] 服务器，如果需要外网访问在搭建 coturn 服务器之前你需要购买一台云主机以及绑定支持 https 访问的域名。以下是笔者自己搭建的过程，感兴趣的可以参照着自已实践一次。

coturn 服务器的搭建主要是为了解决 NAT 无法穿越的问题。

其安装也较为简单：

1. git clone [url=https://github.com/coturn/coturn.git]https://github.com/coturn/coturn.git[/url] 2. cdcoturn/ 3. ./configure--prefix=/usr/local/coturn 4. make-j 4 5. makeinstall //生成 key 6. openssl req -x509 -newkey rsa:2048 -keyout /etc/turn_server_pkey.pem -out /etc/turn_server_cert.pem -days 99999 -nodes

7.2 coturn 服务配置

我的配置如下：

vim /usr/local/coturn/etc/turnserver.conf listening-port=3478 external-ip=xxx.xxx //你的主机公网 IP user=xxx:xxx //账号: 密码 realm=xxx.com //你的域名

7.3 启动 coturn 服务

我的启动过程：

1. cd/usr/local/coturn/bin/ 2. ./turnserver-c ../etc/turnserver.conf //注意：云主机内的 TCP 和 UDP 的 3478 端口都要开启

7.4 实践代码

在编写代码之前，结合上述章节 WebRTC 点对点通信的基本原理，可以得出以下流程图。

从图中不难看出，假设 PeerA 为发起方，PeerB 为接收方要实现 WebRTC 点对点的实时音视频通信，信令(Signal)服务器是必要的，以管理房间信息以及转发网络信息和媒体信息的。

在本文中是利用 koa 及 socket.io 搭建的信令服务器：

// server 端 server.js const Koa = require('koa'); const socket = require('socket.io'); const http = require('http'); const app = newKoa(); const httpServer = http.createServer(app.callback()).listen(3000, ()=>{}); socket(httpServer).on('connection', (sock)=>{ // .... }); // client 端 socket.js import io from 'socket.io-client'; const socket = io.connect(window.location.origin); export defaultsocket;

在搭建好信令服务器后，结合流程图，有以下步骤。

步骤1：PeerA 和 PeerB 端分别连接信令服务器，信令服务器记录房间信息：

// server 端 server.js socket(httpServer).on('connection', (sock)=>{ // 用户离开房间 sock.on('userLeave',()=>{ // ... }); // 检查房间是否可加入 sock.on('checkRoom',()=>{ // ... }); // .... }); // client 端 Room.vue import socket from '../utils/socket.js'; // 服务端告知用户是否可加入房间 socket.on('checkRoomSuccess',()=>{ // ... }); // 服务端告知用户成功加入房间 socket.on('joinRoomSuccess',()=>{ // ... }); //....

步骤2：A 端作为发起方向接收方 B 端发起视频邀请，在得到 B 同意视频请求后，双方都会创建本地的 RTCPeerConnection，添加本地视频流，其中发送方会创建 offer 设置本地 sdp 信息描述，并通过信令服务器将自己的 SDP 信息发送给对端

socket.on('answerVideo', async (user) => { VIDEO_VIEW.showInvideoModal(); // 创建本地视频流信息 const localStream = await this.createLocalVideoStream(); this.localStream = localStream; document.querySelector('#echat-local').srcObject = this.localStream; this.peer = newRTCPeerConnection(); this.initPeerListen(); this.peer.addStream(this.localStream); if(user.sockId === this.sockId) { // 接收方 } else{ // 发送方创建 offer const offer = await this.peer.createOffer(this.offerOption); await this.peer.setLocalDescription(offer); socket.emit('receiveOffer', { user: this.user, offer }); } });

步骤3：前面提起过其实在调用 setLocalDescription 的同时，也会开始收集自己端的网络信息(candidate)，如果在非局域网内或者网络“打洞”不成功，还会尝试向 Stun/Turn 服务器发起请求，也就是收集“中继候选者”，因此在创建 RTCPeerConnection 我们还需要监听 ICE 网络候选者的事件：

init PeerListen () { // 收集自己的网络信息并发送给对端 this.peer.onicecandidate = (event) => { if(event.candidate) { socket.emit('addIceCandidate', { candidate: event.candidate, user: this.user }); } }; // .... }

步骤4：当接收方 B 端通过信令服务器拿到对端发送方 A 端的含有 SDP 的 offer 信息后则会调用 setRemoteDescription 存储对端的 SDP 信息，创建及设置本地的 SDP 信息,并通过信令服务器传送含有本地 SDP 信息的 answer：

socket.on('receiveOffer', async (offer) => { await this.peer.setRemoteDescription(offer); const answer = await this.peer.createAnswer(); await this.peer.setLocalDescription(answer); socket.emit('receiveAnsewer', { answer, user: this.user }); });

步骤5：当发起方 A 通过信令服务器接收到接收方 B 的 answer 信息后则也会调用 setRemoteDescription，这样双方就完成了 SDP 信息的交换：

socket.on('receiveAnsewer', (answer) => { this.peer.setRemoteDescription(answer); });

步骤6：当双方 SDP 信息交换完成并且监听 icecandidate 收集到网络候选者通过信令服务器交换后，则会拿到彼此的视频流：

socket.on('addIceCandidate', async (candidate) => { await this.peer.addIceCandidate(candidate); }); this.peer.onaddstream = (event) => { // 拿到对方的视频流 document.querySelector('#remote-video').srcObject = event.stream; };