Java RTMP推流拉流实战：从协议解析到本地存储的完整实现

1. RTMP协议基础

RTMP（Real-Time Messaging Protocol）是Adobe开发的实时消息传输协议，广泛应用于直播、视频会议等场景。其核心特点包括：

• 基于TCP长连接，默认端口1935
• 支持音视频数据分块传输（Chunk Stream）
• 低延迟（通常1-3秒）
• 包含握手、命令、数据三种消息类型

2. Java技术选型对比

Java生态中处理RTMP的主流方案：

• Netty：
• 异步事件驱动框架
• 高性能（单机支持10万+连接）

• 内置SSL/TLS支持

• Mina：

• Apache的NIO框架
• 更轻量级
• 文档相对较少

推荐选择Netty，其社区活跃且更适合处理流媒体数据流。

3. Netty实现核心代码

推流端实现

// 初始化Netty客户端
Bootstrap bootstrap = new Bootstrap();
bootstrap.group(eventLoopGroup)
         .channel(NioSocketChannel.class)
         .handler(new ChannelInitializer<SocketChannel>() {
             @Override
             protected void initChannel(SocketChannel ch) {
                 ch.pipeline().addLast(new RtmpEncoder(), 
                                      new RtmpDecoder(), 
                                      new RtmpClientHandler());
             }
         });

// 发送视频数据包
public void sendVideoPacket(ByteBuf videoData) {
    Channel channel = bootstrap.connect(host, port).sync().channel();
    RtmpMessage message = new VideoMessage(videoData);
    channel.writeAndFlush(message);
}

拉流端关键处理

// 数据包处理器
public class RtmpServerHandler extends SimpleChannelInboundHandler<RtmpMessage> {
    @Override
    protected void channelRead0(ChannelHandlerContext ctx, RtmpMessage msg) {
        if (msg instanceof VideoMessage) {
            saveToLocal(((VideoMessage)msg).getData());
        }
    }
}

4. FFmpeg本地存储方案

使用Java调用FFmpeg进行转码存储：

1. 安装FFmpeg并配置环境变量
2. 通过ProcessBuilder执行命令：

   ProcessBuilder pb = new ProcessBuilder("ffmpeg", 
       "-i", "rtmp://input_stream",
       "-c:v", "libx264", 
       "-f", "flv", 
       "/output/local_file.flv");
   Process process = pb.start();

5. 性能优化策略

• 连接池管理：复用Netty Channel避免重复握手
• 内存优化：使用ByteBuf的池化分配
• 线程模型：
• 推流：单个连接单线程
• 拉流：EventLoopGroup多线程

6. 安全防护措施

• 鉴权：RTMP握手阶段添加token验证
• 加密：使用RTMPS（RTMP over SSL）
• 防注入：校验AMF命令的合法性

7. 生产环境部署

• 推荐服务器配置：
• 4核8G内存起步
• SSD存储

• 带宽≥50Mbps（1080p流）

• 监控指标：

• 推流延迟
• 内存使用率
• 线程阻塞情况

总结与扩展

本方案已实现基础RTMP功能，后续可扩展： - 添加HLS/DASH支持 - 集成CDN分发 - 实现AI视频分析

完整的示例代码已上传GitHub（伪代码，仅作示意）。建议在实际项目中结合具体业务需求进行调整，特别是高并发场景需要充分压测。