一、最原始的音频、视频数据
视频就是一帧帧的原始帧，YUV格式，相当于一幅幅图像吧。
音频的原始数据，也是一帧一帧的原始帧。
二、对原始的音视频数据进行编码
视频编码，将YUV帧，按照某种编码标准（例如h.264、h.263等），进行编码。得到一帧帧该格式的数据帧。
音频编码，将原始帧，按照某种编码标准（例如aac），进行编码。得到一帧帧该格式的数据帧。
三、封装
将上一步的结果，封装到某种格式的文件（例如，后缀可能是.mp4 .mkv .avi .flv .ts等，后两种是流媒体格式）中，就能播放了。
因此，这些文件，也叫作容器。不同的文件后缀，就表示不同的容器类型。
因为播放的时候，音频、视频、字幕等多种媒体同时发生。因此，没有容器的话，要想同时展现多种媒体，还是很麻烦的。
有了容器后，编码后的帧，在容器中被按照某种特定的方式组织起来，播放起来就方便多了。
需要注意的是，编码格式与容器类型之间没有必然的对应关系。例如，某种容器，可能支持多种编码格式帧的包装；某种编码格式的帧，也可能被多种容器所支持。
原文：http://blog.csdn.net/crazycoder8848/article/details/19335335