MP3 是现在相当流行的一种音乐格式,全名为 Moving Picture Experts Group Audio Layer III (MPEG-1 Audio Layer 3)。MP3 使用失真压缩的方式大幅降低保存音频数据所需的空间,大大增加它的可携性。不过,虽然 MP3 采用失真压缩,它还是保留了一定程度的音质,因此相当受大众欢迎。然而,MP3 的音频编码消息,并没有包含额外的文字信息,我们只能从中得知 MP3 音频的音频格式(从 MP3 标头中读取)以及压缩过后的声音频号。如果我们想要保存或是读取更详细的消息,例如 MP3 的歌曲名称、专辑名称甚至是专辑图片,那就只能依靠安插在 MP3 数据前后的标签消息了!

MP3 的标签格式非常多样,其中最常见的是 ID3 和 APE 两种,而这两种也是大部分的音乐播放器能支持的标签格式。虽然这些标签格式都是用于内嵌在 MP3 的标签格式,但它们的结构却颇有差异,本文将在之后分别详细介绍各标签的结构。

ID3

ID3 可说是每个音乐播放器都必须要支持的标签格式,它较 APE 还更为流行。我们常听到「MP3 的 ID3 消息」,就是在指 ID3 标签消息,它就好比数字相片几乎都会使用的 EXIF 消息,ID3 简直就是每个 MP3 文件都应该具备的基本识别证!

ID3 目前主要分为两个版本,ID3v1 与 ID3v2,它们两个虽然都是 ID3,但结构几乎完全不同。ID3v2 较 ID3v1 有着更良好的扩展性,因为它的大小是可延展的,不像 ID3v1 为固定的 128bytes,超过长度的消息只能舍弃掉。因此 ID3v2 的重要性又比 ID3v1 还大得多,是每个音乐播放器都应该支持的 ID3 版本。

以下,将分别介绍 ID3v1 与 ID3v2。

ID3v1

ID3v1 的起源

前面提到过 MP3 的音频编码消息(Audio Data)并没有办法保存有关这 MP3 文件的文字消息,因此在 1996 年的时候,有个名叫 Eric Kemp alias NamkraD 的人,他提出了一个名为 Studio3 的解决方案来处理这个问题。这方案运行起来十分简单,就是在 MP3 文件的结尾再添加一段很小的数据数据,而这段添加进去的数据保存了对这个 MP3 文件的一些基本消息,如前面提过的歌曲名称、专辑名称等等,方便用户进行辨识。这就是 ID3v1 标签,现在由 id3.org 组织进行制订与维护。

MP3 文件末端 128 字节的 ID3v1 标签结构

原始的 ID3v1 仅能保存歌曲标题(Title)、演出者(Artist)、专辑名称(Album)、年份(Year)、注释(Comment)与风格(Genre)。后来由于 CD 逐渐流行且 CD 上的音乐大多会采用分割音轨(Track)的方式来区别曲目,让用户能快速选择要听第几首的关系,因此 ID3v1 后来又衍生出能够保存音轨(Track)消息的版本,即为 ID3v1_1。

基本上 ID3v1_1 可向下兼容于 ID3v1,因此在实作程序上,仅需完成 ID3v1_1 就好。不过,在此还是会逐一演示 ID3v1 和 ID3v1_1 的结构。

ID3v1 的结构

ID3v1 标签的字段结构

以上为 ID3v1 的结构,标头(Header)用来提供给程序识别 MP3 文件的尾端是否有 ID3v1 标签存在。至于其他的字段,除了 Genre 和 Year 外,皆是直接保存文字信息,且采用 ISO-8859-1 格式进行编码(但有很多人会无视这项规定,用别的编码方式,因此常常出现乱码),如果编码后的文字长度超过 30 bytes,则必定会有部分文字无法保存进去;未满 30 bytes 则补 0 进去。Year 字段保存四位数字,如公元 2013 年就保存 {'2','0','1','3'} 进去。Genre 字段可保存 0~255 的数值,每个数值分别对应一种不同的风格类型,列表如下:

ID3v1 Genre 字段的数值与风格对照表

ID3v1_1 的结构

ID3v1_1 标签的字段结构

ID3v1_1 的结构和 ID3v1 仅差在 Comment 字段后又切出两个 bytes 出来,如下:

ID3v1_1 的 Comment、Reserve 与 Track 字段

经切割后 Comment 字段剩下 28 bytes,其后多出了 1 byte 的 Reserve 和 Track 字段。Track 字段保存音轨信息,直接以数值来表示,如第一轨道就存 1。另外,在此的 Reserve 字段扮演着重要的角色,如果 Reserve 字段的值为 0,表示说 Comment 字段中的信息并未超过 28 bytes,后面拥有的空间是保存 Track 消息,而不是 Comment 消息,此时的 Reserve 字段可说是一个分隔字符,区分开 Comment 和 Track 字段,使它们不会被混杂在一起。前面有提到说 ID3v1_1 向下兼容于 ID3v1,其实就是当 Comment 长度不超过 28 bytes 时,原本 Comment 的 30 bytes 字段的最后两个 bytes 即变成 Reserve 和 Track 字段用以额外访问 Track 的消息,增进空间使用率。然而,当 Comment 有超过 28 bytes 的数据时,很显然的,这时候 Reserve 字段的位置存放的数据就绝对不会是 0,此时的 Comment 字段就可以有 30 bytes 的空间来保存完整的消息,故在这个时候的标签结构就如同 ID3v1。当然,还是会有一种情况是「Comment 的消息超过 28 bytes,且还有 Track 消息需要存入」,一般来说,这时候应该要优先考量 Track 消息使其能保存进去,只保留 Comment 前面的 28 bytes。

ID3v2

ID3v2 的起源

由于 ID3v1 的固定长度设计实在是令人诟病,于是在 1998 年 id3.org 的一群贡献者又商讨出另一种标签格式来解决这个问题,于是 ID3v2 就诞生了!ID3v2 的制定速度颇快,从 1998 年的 ID3v2(ID3v2_2) 到现在位居主流的 ID3v2_3 格式只花了一年的时间。然而,事实上 ID3v2 的最新版本早在 2000 年就已经提升到 ID3v2_4,但经过了 10 年的时间却依然没有许多的软件能支持 ID3v2_4,其中的原因笔者认为是 ID3v2_4 实作起来较为困难,且 ID3v2_3 已经足以应付大部分的状况,因此没必要再花功夫去支持 ID3v2_4。

ID3v2_2

ID3v2_2 为 ID3v2 最早的公开版本,但目前很少有程序支持,故以下不针对 ID3v2_2 做讨论。

ID3v2_3

ID3v2_3 于 1999 年制定,它与 ID3v2_2 最大的差异在于 ID3v2_3 使用的 Frame ID 为 4 个字符,例如「TIT2」;而 ID3v2_2 使用的 Frame ID 为 3 个字符,例如「TT2」。ID3v2_3 还允许一个 Frame 拥有多个内容(以/来分隔)。为目前应用范围最广的 ID3v2 版本。

ID3v2_3 的标签消息位于 MP3 文件的开头,长度是可变的。

ID3v2_3 标签位于 MP3 文件开头的示意图

像这样把 Metadata 加到文件开头会有个很大的缺点,那就是当文件大小改变的时候必须重写整个文件,会造成在写入标签时的效率过于低下,因此 ID3v2_3 提供了保留长度的字段使我们在写入标签时能有个缓冲空间,才不至于每次更改标签都得重写整个文件,如此便能增加程序的运行效率。

ID3v2_3 标签的整体结构

以上是 ID3v2_3 的结构,看起来很简单,实作起来却不容易呀!首先我们来看看 ID3v2 的 10 bytes Header 字段到底包含着什么信息。

ID3v2_3 的 Header 字段结构

ID3v2 的标头相较于 ID3v1 复杂了许多,唯一相同的地方是它们在最开头的地方都有个让程序识别字符的字段,ID3v1 存放的字符是 TAG,而 ID3v2 则是存 ID3。Version 字段描述了这个 ID3v2 的版本,因为这是 ID3v2_3 标签,所以 Version 字段数值永远是 3,这是不变的。而其后的 Revision 字段则保存着 ID3v2_3 的修订版本号,此字段一般填入数值 0 即可。

而 Flags 字段则存放着整个 ID3v2 标签的旗标消息。在 ID3v2_3 中仅用了前 3 个比特。我们可以将这个字节写成:abc00000。

  • a: 不同步(Unsynchronisation):决定这个标签是否使用不同步。由于许多程序根本忽略这个旗标,一般设为 0 就好了。
  • b: 扩展标头(Extended Header):决定这个标头后面是否还有扩展标头。
  • c: 实验标签(Experimental Indicator):决定这个标签是否为实验或测试用的标签。

Size 字段存放的值为计算异步标签后(若 Unsynchronisation 旗标设置为 0,则无需计算异步),除了 Header 之外的所有字段大小。其实就是整个 ID3v2_3 标签的所有大小(Total Size)再减掉 Header 的 10 bytes,才是 Size 字段应该保存的值。

ID3v2 Header 的 Size 字段的数值计算方式十分奇怪,它虽然用了 32 bits(4 bytes) 的空间来保存数据,但实际上在计算的时候却只用了 28 bits,每个 byte 的最高比特(MSB,最左边的比特)均不列入计算。假设 Size 字段中存放着 {byte[0],byte[1],byte[2],byte[3]} 这四个 bytes,它实际的数值之计算方式如下:

Real Size = ((byte[0]&0x7F)<<21) + ((byte[1]&0x7F)<<14) + ((byte[2]&0x7F)<<7) + (byte[3]&0x7F)

上式中的 0x7F 表示一个 16 进制的数值,7F(16) = 01111111(2),以这个 8 bits 数跟其他 8 bits 数值做 AND(&) 比特逻辑运算,可以视为一个遮罩(MASK),将原本的 8 bits 数值的 MSB 永远变成 0,且保留之后 7 个比特的值(X AND 0 = 0, X AND 1 = X)。「<<」是个比特位移操作符,能将二进位数值往左移动 N 个比特(写成「<< N」),并把右边空缺的比特以 0 来填充。如 4 bits 的数值 1001,往左移动 2 个比特(写成「1001 << 2」)后,数值将变成 100100,但由于保存空间为 4 bits,因此舍弃掉移出保存空间的左边两个比特后,最后的数值即是 0100。如果我们将整个 Size 当成一个 28 bits 的数值(比特编号分别为 :27 26...0),则 byte[0] 存放着第 27~21 个比特,byte[1] 存放着第 20~14 个比特,byte[2] 存放着第 13~7 个比特,byte[3] 存放着第 6~0 个比特,由此我们便可知道这四个字节究竟要往左位移多少个比特,再彼此相加后才是真正的 Size 数值。

若我们想要将一个 32 bits 的整数值转换成 4 个 bytes 的数值保存在 Size 字段中,可以使用以下式子:

假设 Size = 0000 abcdefg hijklmn opqrstu vwxyzAB(2)(虽然整数有 32bits 的空间但最多只能使用 28 bits 至 Size 字段中)

byte[0] = (byte)((Size << 4) >>> 25) 00000000 00000000 00000000 0abcdefg
byte[1] = (byte) ((Size << 11) >>> 25) 00000000 00000000 00000000 0hijklmn
byte[2] = (byte) ((Size << 18) >>> 25) 00000000 00000000 00000000 0opqrstu
byte[3] = (byte) ((Size << 25) >>> 25) 00000000 00000000 00000000 0vwxyzAB

上式中的「>>>」是个比特位移操作符,能将二进位数值往右移动 N 个比特(写成「>>> N」),并把左边空缺的比特以 0 来填充,舍弃掉移出保存空间的右边比特。经比特位移运算后,即可正确地把 28bits 的数值分割存在 4 个 bytes 里!

Header 的结构基本上就是这样,接下来看看 Extended Header 的结构。

ID3v2_3 的 Extended Header 结构

Extended Header 存放了许多 Header 没有的高级消息。一开始的 Extended Header Size 字段保存着这个 Extended Header 的大小,不包括 Extended Header Size 字段本身的 4 bytes,因此 Extended Header 的 Size 值可能是 6 bytes 或是 10 bytes,而整个 Extended Header 的大小可能是 10 bytes 或是 14 bytes。这里的 Size 字段计算方式不像 Header 字段的 Size 那样只能使用 28 bits,而是整个 32 bits 都可以使用,计算方法请参考之后的 Frames 字段说明。

Extended Flags 字段目前仅使用了第一个 byte 的最高比特(MSB)来记录是否计算 Frames 的 CRC-32 信息,用以检查 Frames 的字段消息是否有缺损。我们可以将这个字段表示成:x0000000 00000000,其中 x 就是指 Extended Header 最后是否拥有 Total Frame CRC 字段。

Size of Padding 字段保存着此 ID3v2 标签的 Padding 字段大小,同样的也是以 32 bits 做计算,计算方式将在之后说明。

Total Frame CRC 字段保存着 Frames 字段在异步前计算出来的 CRC-32 数值。以后便能以此 CRC-32 数值来比对检查目前 Frames 字段里的数据是否完全正确。若 Extended Flags 并没有打开 Total Frame CRC 字段,则此字段无作用。

CRC-32 为一种检查数据正确性的方法,可将任何数据计算成一组唯一的数值,可利用比对 CRC-32 数值的方式,来快速判定两数据的内容是否相同。由于 CRC-32 的计算方式繁杂,已超出本文范围,故不说明。

介绍完 Header 和 Extended Header 后,来看看 ID3v2 的主干──Frames 字段。Frames 字段结构如下:

ID3v2_3 的 Frames 字段结构

Frames 字段存放着许多个 Frame 字段,即为标签字段,且每个 Frame 字段的大小都不一定相同。以下是 Frame 字段的结构:

ID3v2_3 的 Frame 字段结构

每个 Frame 字段都拥有一个 4 bytes 的 Frame ID 字段来识别其身分,当然,在 ID3v2 标签中,是允许重复的 Frame ID 字段存在的(标准规范:只有特定的几种 ID 能拥有多个 Frame),且用户可任意自订 Frame ID(标准规范:仅能使用特定的 Frame ID,如要自定标签字段,须将消息放置在 Frame ID 为 TXXX 或 WXXX 的 Frame 字段中)。Frame ID 的四个字符仅能以大写字母 A~Z 或是数字 0~9 来组成。

Frame Size 字段存放着整个 Frame 除了 Frame ID,Frame Size 和 Frame Flags 字段的大小,以 32bits 来计算。假设 Frame Size 字段中存放着 {byte[0],byte[1], byte[2],byte[3]} 这四个 bytes,它实际的数值之计算方式如下:

Real Size = (byte[0] << 24) + (byte[1] << 16) + (byte[2] << 8) + byte[3]

32 bits 的整数转换成 4 bytes 的数值保存在 Frame Size 字段中,可以使用以下式子:

byte[0] = (byte)(Size >>> 24)
byte[1] = (byte)((Size << 8) >>> 24)
byte[2] = (byte)((Size << 16) >>> 24)
byte[3] = (byte)((Size << 24) >>> 24)

Frame Flags 存放着整个 Frame 的旗标消息,共两个字节,格式可写成:abc00000 ijk00000

  • a: 保留标签(Tag Alter Preservation):设为 1 时,当文件的 ID3v2 标签内容被改变时,如果软件不认识此 Frame,则此 Frame 应该被丢弃。
  • b: 保留文件(File Alter Preservation):设为 1 时,当文件的 Audio Data 被改变时,如果软件不认识此 Frame,则此 Frame 应该被丢弃。
  • c: 唯读(Read Only):设为 1 时,则此 Frame 的 Content 字段不能被改变。
  • i: 压缩(Compression):设为 1 时,此 Frame 的 Content 字段数据使用 zlib 进行压缩,且须将解压缩后的数据大小(Decompressed Size)记录在 Frame 的 Content 字段之前,为 4 bytes 的数值。解压缩大小以 32 bits 来计算。
  • j: 加密(Encryption):设为 1 时,此 Frame 的 Content 字段为加密状态。
  • k: 群组(Grouping identity):设为 1 时,此 Frame 跟其他的 Frame 为同一个群组。

以上一大串只是 Frame Header 的介绍,Frame 真正的主体是其接下来的 Content 字段。Content 字段保存了 Frame 所搭载的标签消息或是其他设置消息,不同的 Frame ID 拥有不同的 Content 读取方式,不过最常用的还是 Frame ID 以 T 开头的 Text Frame 了(例如 TALB(Album),TPE1(Artist),TIT2(Title))!以下将会介绍 Text Frame 的结构。

原则上,Frame ID 以「T」开头的 Frame 就是 Text Frame,其 Content 的结构如下:

Text Frame 的 Content 结构

Text Encoding 存放了 Information 字段数据使用的编码方式,数值 0 表示使用 ISO-8859-1;数值 1 表示使用了 UTF-16(档首含 BOM)。ISO-8859-1 编码方式为 1 字符 1 byte,而 UTF-16 则为 1 字符 2 bytes,这点在实作程序的时候需要注意。

Information 字段存放的数据可直接将 byte 数组解码还原出原始的 Text 文字信息。若想将 Text 文字信息写入进 Information,也必须先将其编码转为 byte 数组后再保存进去。

前面提到:原则上,Frame ID 以「T」开头的 Frame 就是 Text Frame,但在这里有个特殊的例外,那就是 Frame ID 为 TXXX 的 Frame。TXXX Frame 用来保存用户的自定义文字标签,在标准规范中允许多个 TXXX Frame 存在于同一个 ID3v2 标签里,它的 Content 字段结构如下:

TXXX Frame 的 Content 结构

这里的 Text Encoding 字段和前面提到过 Text Frame 的 Text Encoding 字段类似,只是在此使用到 Text Encoding 字段里保存的 Encoding 信息的字段有两个,那就是接下来的 Description 和 Value 字段。

Description 字段保存了标签名称,Value 字段保存了标签内容。因为这两个字段的大小都不是固定的,因此在 Description 字段之后会有一个 0 或是两个 0 来区隔开 Description 和 Value 字段。至于究竟是要一个 0 还是两个 0,那就看 Text Encoding 字段使用了什么编码格式,ISO-8859-1 因为一次读取一个 byte,故结尾用 1 个 0;UTF-16 因为一次会读取 2 个 bytes,故结尾用 2 个 0。

基本上,若要在 ID3v2_3 标签中添加自定的 Text Frame,照标准规范就只能靠添加 TXXX Frame 的方式去设置 Description 和 Value 字段,来表示新的标签信息。

ID3v2 的 Content 字段内容格式多样,由于篇幅关系在此先说明 Text Frame 和 TXXX Frame 的 Content 格式,其余还有一些不同的 Content 格式请有兴趣的读者自行参考官方的文档吧!以下将继续介绍 ID3v2_3 的最后一个字段。

Padding 字段是 ID3v2_3 的最后一个字段,它真的十分简单,因为它的内容完完全全是由数值 0 来组成。Padding 的用途是加长 ID3v2 标签的长度,至于原因前面有稍微提到过 ID3v2_3 Metadata 是写在 Audio Data 之前,因此若是 ID3v2_3 长度有任何更动,就必须重新写入整个文件。若文件有 10MB 数据,就得重新写入 10MB 数据,一般 ID3v2 标签不含图片数据的话也不会超过 1KB,为了写这不到 1KB 的数据而重写整个 10MB 文件,实在是非常不值得的事情。ID3v2 的 Padding 字段就是为了减少文件重写的状况发生,ID3v2 标签的编辑程序可以利用 Padding 字段来将较长的 ID3v2 数据先写入文件开头,这样日后需要更动到 ID3v2 的标签内容时,若新 ID3v2 的内容大小不超过原先的 ID3v2 大小,那么程序只须重写文件开头这段不到 1KB 的数据,如此一来运行效率会好很多。

ID3v2_3 的说明到此结束,以下将继续 ID3v2_4 的说明。

ID3v2_4

ID3v2_4 于 2000 年制定,它与 ID3v2_3 最大的差异在于 ID3v2_4 增加了 Footer 字段,使其可置于文件的开头或是结尾(ID3v2_3 仅能置于文件开头),且加入了 UTF-16BE 和 UTF-8 编码方式。其他还有许多地方 ID3v2_4 与 ID3v2_3 差异颇大,故在程序实作上要使 ID3v2_3 和 ID3v2_4 彼此兼容颇为困难。

当 ID3v2_4 置于文件开头时,为了节省空间,原则上无须再加入 Footer 字段,其在文件里的位置与 ID3v2_3 无异。

ID3v2_4 置于文件开头的位置示意图

而当 ID3v2_4 置于文件结尾时,应该要有 Footer 字段,而且如果文件也存在着 ID3v1 标签,ID3v2_4 应该放在 ID3v1 之前。

ID3v2_4 置于文件结尾并位于 ID3v1 之前的示意图

ID3v2_4 虽解决了 ID3v2_3 仅能存在于文件开头造成写入效率低落的问题,可也让它的结构比 ID3v2_3 还复杂许多。部分与 ID3v2_3 重复的地方,就不再作说明。

ID3v2_4 标签的整体结构

以上是 ID3v2_4 的结构,以下一一详细说明。

首先是 Header 字段,ID3v2_4 的 Header 和 ID3v2_3 结构完全一样,只差在版本号以及旗标的内容还有 Size 的算法,下图是 Header 的结构:

ID3v2_4 的 Header 字段结构

File ID、Revision 字段的用途都和 ID3v2_3 完全一样,而 Version 字段的内容则变成 4。Flags 字段则在第四个比特多了一个 Footer 旗标,表示成 abcd0000:

  • a: 不同步(Unsynchronisation):决定这个标签是否使用不同步。由于许多程序根本忽略这个旗标,一般设为 0 就好了。
  • b: 扩展标头(Extended Header):决定这个标头后面是否还有扩展标头。
  • c: 实验标签(Experimental Indicator):决定这个标签是否为实验或测试用的标签。
  • d: 档尾字段(Footer Present):决定这个 ID3v2_4 标签是否含有档尾字段。

Size 字段存放的数值同样是以 28bits 作计算,其大小为除了 Header 和 Footer 字段之外的大小。以整个 ID3v2_4 的大小来算,若有 Footer 字段,则 Size = Total Size – 20 bytes;若没有 Footer 字段,则 Size = Total Size – 10 bytes。

Header 的结构基本上就是这样,接下来看看 Extended Header 的结构。

ID3v2_4 的 Extended Header 结构

ID3v2_4 的 Extended Header 的结构跟 ID3v2_3 完全不同。Extended Header Size 字段保存着整个 Extended Header 的大小,数值以 28 bits 来计算。

Number of Flag Bytes 保存着 Extended Flags 字段的 Flags 数量,在 ID3v2_4 中,Number of Flag Bytes 字段的值永远为 1,这数字代表着 Extended Flags 字段只有 1 组(1 byte)的旗标信息。ID3v2_4 之所以会使用这种可扩展的旗标结构,笔者认为在 ID3v2_4 之后的版本还是会沿用原来的 Extended Header 的结构,且到时候可能会需要更多的旗标。

在讲 Extended Flags 字段前,先来说明 Flags Data 字段的用途。Flags Data 字段的结构如下:

Flags Data 字段的结构

Flags Data 字段包含了许多的 Flag Data 字段,数量要视 Extended Flags 字段激活(旗标数值为 1)了多少的旗标而定,Flag Data 字段在 Flags Data 字段里的顺序就是 Extended Flags 字段里旗标的顺序,而未设置为激活的旗标(数值为 0),则没有 Flag Data 字段。Flag Data 字段的结构如下:

Flag Data 字段的结构

Flag Data Length 字段存放着 Flag Data Content 字段的大小,例如:假设 Flag Data Length 字段存放的数值是 1,则 Flag Data Content 字段拥有 1 bytes 的大小。而 Flag Data Content 字段存放着设为激活的旗标使用到的额外信息。

回到 Extended Header 的 Extended Flags 目前只有一组旗标,可表示成 0bcd0000:

  • b: 标签是一个更新(Tag is an update):使用这个 ID3v2 标签里的 Frame 来更新前面读取到的 ID3v2 标签对应的 Frame。就是当程序要读取前面标签里的 Frame 时,若在之后的更新标签也拥有该 Frame 的话,那么读取到的内容应为更新标签的 Frame 之内容。不过通常应该是不会出现在同一个文件里有多个 ID3v2 标签的情况。这个旗标打开时产生的 Flag Data,其 Flag Data Length 字段数值为 0,表示它没有 Flag Data Content 字段。
  • c: 含有 CRC 数据(CRC data present):这个标签是否包含着 Frames 和 Padding 字段所计算出来的 CRC-32 数值,此数值会存成 35 bits,共 5 bytes,跟 28 bits 的 Size 数值一样,每个 byte 的 MSB 不使用。这个旗标打开时产生的 Flag Data,其 Flag Data Length 字段数值为 5,表示它有 5 bytes 的 Flag Data Content 字段可保存 5 bytes 的 CRC 数值。
  • d: 标签限制(Tag restrictions):对写入标签进行限制,所以写入标签时必须要检查这个旗标以及其 Flag Data 字段。这个旗标打开时产生的 Flag Data,其 Flag Data Length 字段数值为 1,表示它有 1 bytes 的 Flag Data Content 字段,为一组旗标,可表示成 ppqrrstt:
    • pp: 标签大小限制:
      • 00: 128 以下的 Frame 数量,1MB 以下的总标签大小(Total Size)。
      • 01: 64 以下的 Frame 数量,128KB 以下的总标签大小。
      • 10: 32 以下的 Frame 数量,40KB 以下的总标签大小。
      • 11: 32 以下的 Frame 数量,4KB 以下的总标签大小。
    • q: 文字编码限制:激活时只能使用 ISO-8859-1 和 UTF-8 进行编码。
    • rr: 文字大小限制:
      • 00: 没有限制。
      • 01: 字符串的长度不可以超过 1024 个字符。
      • 10: 字符串的长度不可以超过 128 个字符。
      • 11: 字符串的长度不可以超过 30 个字符。
    • s: 图片格式限制:激活时只能使用 PNG 或是 JPEG 来对图片进行编码。
    • tt: 图片大小限制:
      • 00: 没有限制。
      • 01: 图片大小不能超过 256x256 像素。
      • 10: 图片大小不能超过 64x64 像素。
      • 11: 图片大小只能为 64x64 像素。

ID3v2_4 和 ID3v2_3 的 Frames 字段结构一样,参考下图:

ID3v2_4 的 Frames 字段结构

Frames 字段存放着许多个 Frame 字段,即为标签字段,且每个 Frame 字段的大小都不一定相同。以下是 Frame 字段的结构:

ID3v2_4 的 Frame 字段结构

ID3v2_4 的 Frame ID 字段与 ID3v2_3 一样,Frame Size 字段则改成和 Header 的 Size 字段一样以 28 bits 来计算(每个 byte 的 MSB 不使用),而 Frame Flags 字段则多了几个旗标可使用,可表示成:0abc0000 0h00kmnp。

  • a: 保留标签(Tag Alter Preservation):设为 1 时,当文件的 ID3v2 标签内容被改变时,如果软件不认识此 Frame,则此 Frame 应该被丢弃。
  • b: 保留文件(File Alter Preservation):设为 1 时,当文件的 Audio Data 被改变时,如果软件不认识此 Frame,则此 Frame 应该被丢弃。
  • h: 群组(Grouping identity):设为 1 时,此 Frame 跟其他的 Frame 为同一个群组。
  • c: 唯读(Read Only):设为 1 时,则此 Frame 的 Content 字段不能被改变。
  • k: 压缩(Compression):设为 1 时,此 Frame 的 Content 字段数据使用 zlib 进行压缩。
  • m: 加密(Encryption):设为 1 时,此 Frame 的 Content 字段为加密状态。
  • n: 异步(Unsynchronisation):设为 1 时,此 Frame 为异步。
  • p: 数据长度指针(Data length indicator):设为 1 时,此 Frame 有数据长度指针。

Content 字段则是在 Text Encoding 中多了两种编码方式:

  • 0: ISO-8859-1
  • 1: UTF-16(档首有高、低比特位置)
  • 2: UTF-16BE(档首无高、低比特位置,高比特在前)
  • 3: UTF-8

ID3v2_4 的 Padding 字段跟 ID3v2_3 一样,都是用来扩充 ID3v2 标签的大小,使它置于文件开头时能有个缓冲空间,增加写入效率。而添加的 Footer 字段结构和 Header 一样,只是差在 File ID 的辨识字符变成 3DI。当 ID3v2_4 置于文件结尾时,应该要有 Footer 字段使程序能从档尾找到 ID3v2_4 标签。

ID3v2_4 的 Footer 字段结构

ID3v2_4 实作起来较 ID3v2_3 复杂许多,如今依然只有部分播放器能支持,而且这些播放器对于 ID3v2_4 的实作结果也不尽相同,常常出现 ID3v2_4 无法跨播放器支持的情形。对于如此情况,笔者也无从解释谁对谁错,也许是官方的 ID3v2_4 文档写得不够清楚,造成大家理解上的误差,笔者在模糊地带的部分在本文也仅一笔带过,有兴趣实作 ID3v2_4 的朋友们,建议先将基本功能写出来后,再考虑是否要加入高级功能(如加密、异步、CRC32 检查、群组等等多数用户用不到的功能)。ID3v2_4 的介绍就到此结束。

APEv2

APEv2 的起源

APEv2 的前一版本 APEv1 首先被用在 Monkey's Audio 格式(就是我们常听到的 APE 无损格式)。但由于 APEv1 仅支持 ASCII 编码,且仅有 Footer 而无 Header,虽然长度能扩展,但使用起来依然非常不方便,所以在后来有个名叫 Frank Klemm 的人将 Header 加入了 APEv1 中,使它能置于文件开头或结尾,且改采 UTF-8 编码方式,再让它能支持更自由的字段格式,于是 APEv2 便出现了!APEv2 起初被用在 Musepack 音乐档中,后来因为它简单好用的结构,被移植进 MP3 音乐文件里,成为现在 MP3 标签的主流格式之一。

但 MP3 已经有 ID3 标签了,APEv2 标签要放在哪里呢?

APEv2 标签置于档尾与档首的位置示意图

以上两个分别是 APEv2 Metadata 置于档尾与档首的位置图标,这是在没有其他 ID3 标签的情况之下加入 APEv2 标签于 MP3 文件中,看起来都没什么大问题。接着我们再来看看 APEv2 和 ID3v1、ID3v2 共存的时候,APEv2 应该要摆在哪个位置比较好呢?

ID3v1 与 ID3v2 同时存在于 MP3 文件的两种情况

上图显示 ID3v1 和 ID3v2 同时存在于一个 MP3 文件时的状况,大致可分为两种案例:第一种是 ID3v2 标签置于文件开头,ID3v1 标签置于文件结尾;第二种是由前面提到过可置于档尾的 ID3v2_4 和 ID3v1 都置于文件结尾。在这种有些字段长度无法确定的时候,APEv2 标签应该要置于哪个地方比较合适呢?

先从第一种案例来看,若我们直接将 APEv2 插入在文件最开头的位置,那么我们之后想读取 ID3v2 标签的时候,就必须先计算 APEv2 标签的大小才能找到我们要的 ID3v2 标签,如此一来程序运行效率将不太好。同理,若将 APEv2 插入 ID3v2 和 Audio Data 之间,也会造成需要先计算 ID3v2 大小才能找到 APEv2 的状况。故在第一个案例中,我们绝对不能考虑把 APEv2 加入文件的开头。不加到文件开头就只能加到结尾,可是究竟要加在 ID3v1 前面还是后面比较好呢?大家可以想想看,当我们把 APEv2 加到 ID3v1 之后的时候,我们之后想读取 ID3v1 标签,是不是也要去计算 APEv2 的大小才能从文件尾端读取到 ID3v1 标签呢?而 ID3v1 是固定长度的标签,若 APEv2 在 ID3v1 之前,我们可以很快速的找到 APEv2 位于 MP3 文件中的位置。

再来谈谈第二种案例,很明显地,此时 APEv2 应该要加在文件开头比较适当。当然,事实上,为了能够统一这些标签存放的位置,我们很少会一下子将 APEv2 摆到文件开头,一下子却又将它摆到文件结尾。一般来说,我们会将 ID3v2 置于文件开头,将 APEv2 与 ID3v1 置于文件结尾。原因在于前面提到过的,ID3v2 有独立的 Padding 字段可以快速扩展 ID3v2 的长度,增加标签的写入效率,而 APEv2 则无此机制,因此将 APEv2 一律置于文件结尾是比较明智的选择。经过以上分析得出来的结论,我们可以画出 ID3 与 APEv2 在一个 MP3 文件里最常见的存放位置:

ID3 与 APEv2 在 MP3 文件中最常见的存放位置

APEv2 的结构

花了不少的篇幅讲解了 APEv2 在 MP3 文件里的最佳位置,接着我们来单独看看 APEv2 标签的结构吧!

APEv2 标签的整体结构

APEv2 的结构真的是十分简单,首先我们来看看它的 Header 和 Footer。实际上,APEv2 的 Header 和 Footer 的结构可说是完全一样,两者只差了 1 bit 的旗标内容,用以辨识此字段是 Header 或是 Footer。不管是 Header 还是 Footer,用户都可自行决定 APEv2 标签是否要拥有这两个字段,但基本上这两个字段在 APEv2 标签中必须存在至少一个,当然最好的情况还是 Header 和 Footer 字段皆在 APEv2 标签中。

APEv2 的 Header 与 Footer 字段结构

Preamble 字段中存放着 APEv2 的识别字符 APETAGEX。Version Number 存放的数值为 APE 标签的版本,1000 为 APEv1.000,2000 为 APEv2.000。讲到这里要稍微停顿一下,来先说明 APEv2 的数值计算方式:

APEv2 的数值计算方式和 ID3v2 差异颇大,虽然不像 ID3v2 的 Header 那样仅用了 28 bits,而是完完整整地用了 32 bits 来表示整个数值,不过 APEv2 的 32 bits 数值最高比特并不像 ID3v2 那样是在 byte[0] 中,而是在 byte[3]。说得更清楚一点,现在有 4 个 bytes 的数值,分别为 {byte[0],byte[1],byte[2],byte[3]},若要将这 4 bytes 数值组合起来转成一个 32 bits 的数值,比特编号分别为 31 30 29 ... 0,第 31~24 个比特就为 byte[3],第 23~16 个比特为 byte[2],第 15~8 个比特为 byte[1],第 7~0 个比特为 byte[0],可写成算式如下:

Value = (byte[3] << 24) + (byte[2] << 16) + (byte[1] << 8) + byte[0]

而要从 32 bits 数值转成 4 bytes 数值的话,可以使用以下式子:

byte[0] = (byte) ((Value << 24) >>> 24)
byte[1] = (byte) ((Value << 16) >>> 24)
byte[2] = (byte) ((Value << 8) >>> 24)
byte[3] = (byte) (Value >>> 24)

APEv2 所有的字段数值都是以上面这种方式进行计算。

接下来的 Tag Size 字段,存放着 APEv2 除了 Header 字段之外的大小。

Item Count 字段,存放着整个 APEv2 标签拥有的 Item 字段数量。

Tag Flags 字段,存放着 APEv2 标签使用到的旗标,共有 {byte[0],byte[1],byte[2],byte[3]} 这 4 个 bytes。以下是各个字节的各个比特所表示的旗标项目:

  • byte[0]: 0000000c
    • c: 此 APEv2 标签是否不能被更改。
  • byte[1]: 00000000
  • byte[2]: 00000000
  • byte[3]: def00000
    • d: 此 APEv2 标签是否含有 Header。
    • e: 此 APEv2 标签是否没有 Footer。
    • f: 此 Tag Flags 字段是否在 Header 字段中。

而 Tag Flags 字段之后的 Reserved 字段 APEv2 标签目前还没有使用到,必须全部填 0。

APEv2 的 Header(Footer) 字段结构大致上便是如此,接下来说明 Item 字段的结构。

APEv2 的 Item 字段结构

Item Value Size 字段存放着这个 Item 的 Item Value 字段大小。

Item Flags 字段存放着这个 Item 所使用到的旗标,共有 {byte[0],byte[1],byte[2],byte[3]} 这 4 个 bytes。以下是各个字节的各个比特所表示的旗标项目:

  • byte[0]: 00000abc
    • ab:
      • 00: 这个 Item 存放着 Text 文字消息,Item Value 字段使用 UTF-8 进行编码。
      • 01: 这个 Item 存放着 Binary 二进位消息,Item Value 字段无须编码。
      • 10: 这个 Item 存放着地址消息(例如:文件地址、网址),Item Value 字段使用 UTF-8 进行编码。
      • 11: 保留,尚未被 APEv2 使用。
    • c: 这个 Item 是否不能被更改。
  • byte[1]: 00000000
  • byte[2]: 00000000
  • byte[3]: 00000000

Item Key 字段存放着这个 Item 所表示的标签名称,如 Title、Album、Artist,并采用 ASCII 编码(每个字符值范围在 0x20~0x7E)。因为这个字段的文字长度不固定,所以必须再以一个 0 来与 Item Value 作区隔。

Item Value 字段存放着这个 Item 所表示的标签内容,其内容的类型必须参考之前 Item Flags 字段的 ab 旗标来决定,才能正确地读取与写入。

APEv2 标签的结构较 ID3v2 简单易懂,基本上就这个样子,APEv2 的说明到此结束。