从上面的结构图可以看出，PES层是在每一个视频/音频帧上加入了时间戳等信息，PES包内容很多，下面我们说明一下最常用的字段：
pes start code：开始码，固定为0x000001。
stream id：音频取值（0xc0-0xdf），通常为0xc0；视频取值（0xe0-0xef），通常为0xe0。
pes packet length：后面pes数据的长度，0表示长度不限制，只有视频数据长度会超过0xffff。
pes data length：后面数据的长度，取值5或10。
pts：33bit值
dts：33bit值
关于时间戳PTS和DTS的说明：
PTS是显示时间戳、DTS是解码时间戳。
视频数据两种时间戳都需要，音频数据的PTS和DTS相同，所以只需要PTS。
有PTS和DTS两种时间戳是B帧引起的，I帧和P帧的PTS等于DTS。如果一个视频没有B帧，则PTS永远和DTS相同。
从文件中顺序读取视频帧，取出的帧顺序和DTS顺序相同。DTS算法比较简单，初始值 + 增量即可，PTS计算比较复杂，需要在DTS的基础上加偏移量。
音频的PES中只有PTS（同DTS），视频的I、P帧两种时间戳都要有，视频B帧只要PTS（同DTS）。
2. ES 层ES层指的就是音视频数据。
一般的，视频为H.264视频，音频为AAC音频。