下图是AV Foundation在ios和mac os系统中所处的位置。
- Core audio框架包含了所有音频相关的处理逻辑。该框架提供了高级接口（比如Audio Queue Services框架用于播放和录制音频）和底层接口（比如audio units用于控制音频信号）
- Core video框架为数字类型视频提供了流水线的model。
- Core media被AVFoundation用来作为底层媒体流水线的一部分。Core media提供了用于处理声音采样和视频帧的数据类型和接口，比如CMTime数据类型。
- Core animation框架是一个动画框架，被用于ios和macos。它内部封装了openGL和openGL ES。
虽然AV Foundation框架提供了100多个类和非常多的protocol和非常多的函数和常量，但是我们可以按照“功能单元”的维度对该框架进行拆分，以便我们更好地理解和掌握。拆分成的“功能单元”有：audio播放和录音（audio playback and recording）、media检测（media inspection）、video播放（video playback）、media捕捉（media capture）、media编辑（media editing）、media处理（media处理）、数字media（digital media）、数字media采样（digital media sampling）、audio采样（audio sampling）、数字media压缩（digital media compression）、色度二次采样（chroma subsampling）、编码压缩（codec compression）、video编码（video codec）、h264、audio编码（audio codec）、AAC、容器格式（container formats）。
功能单元1：Audio playback and recording
下图的红框所示的是苹果早期提供的关于audio的接口。比如AVAudioPlayer和AVAudioRecorder提供了一些关于声音播放和录制的简便接口。当然，并不只有这两个类提供了操作音频的功能，AVFoundation框架的其它类也能提供类似功能。
功能单元2：Media inspection
AVFoundation提供了media资源的检查接口，即你不仅可以通过接口知道某个media资源是否能播放、是否能被编辑、是否能被导出，还可以获取到某个media资源的视频时长、创建日期等信息。此外，AVFoundation还提供了AVMetadataItem类来给你读取或者写入media资源相关的元数据，比如album或者artist信息。
功能单元3：Video Playback
AVFoundation提供了名为AVPlayer的播放器，以便让你播放本地或者网络视频。
功能单元4：Media Capture
现在的ios设备都有摄像头，你可以通过AVFoundation提供的名为AVCaptureSession的类来操作摄像头，进而录视频或者音频。
功能单元5：Media Editing
AVFoundation还可以对media资源进行编辑，比如你可以使用其提供的接口来把多条音轨和视轨合并在一起
功能单元6：Media Processing
你可以使用AVAssetReader和AVAssetWriter类来获取或者修改视频帧（video frame）和音频采样（audio samples）。
功能单元7：Digital Media
我们在网上看到的视频和音频、在手机相册里面看到的视频和音频其实都是digital media。media是怎么变成数字化（digital）的呢？在现实世界中，我们肉眼所看到的现实中的景色、耳朵听到的来自自然界发出的声音在到达我们的眼睛或者耳朵之前，都是一种模拟信号，当我们的感官收到这些信号时，我们的感官会把这些模拟信号转化成我们大脑可以识别的脉冲信号，然后把脉冲信号传给大脑，这样大脑就能“体验”到现实世界了。现实世界的信号都是连续的、频率持续变化的，而数字化的信号都是离散的且其状态的值只能为1或者0。采样指的是把模拟信号转换成数字信号的过程。视频由一系列的image（被称为frame）组成，每一个frame都是一张图片。为了给人一种良好的观看体验，视频frame会被快速且连续的播放。每一秒钟所展示的视频frame的数量被称为视频帧率（video’s frame rate），也被称为FPS。视频的常见的帧率一般是24FPS、25FPS、30FPS。
怎么知道一个视频帧（video ）的大小？现在的视频帧的宽高比一般都是16:9，即每16个水平像素会对应9个垂直像素。现在的每个视频帧的大小一般都是1280720或者19201080像素，即基于16:9的宽高比例。
那么，每个像素要占用多大的存储空间呢？如果我们使用RGB的颜色空间来表示一个像素的话，那么8个bit用于表示red，8个bit用于表示green，8个bit用于表示blue，一个颜色空间就占用24个bit，即一个像素就占用24个bit，即3个byte。
下图所示的是，一个没被压缩过的、视频帧率是30FPS的视频，且每个像素由RGB颜色空间表示，在不同的分辨率（Resolution）情况下每秒或者每小时所占用的存储空间的大小。
功能单元8：Digital Media Compression & Codec Compression
从上图可以看出，没被压缩过的视频的占用空间非常大（比如一个视频时长为一小时的且为1280*720像素的视频占用的存储空间是278GB），不利于网络的传输和磁盘的存储，为了解决这个问题，我们会把视频进行压缩，一般都是通过对视频进行编码的方式进行压缩，这种编码方式被称为codec compression。编码器（encoder）使用各种压缩算法来压缩视频或者音频，而解码器（decoder）则要解码 被压缩的视频或者音频，以便让播放器能够播放视频或者编辑视频。
功能单元9：Chroma subsampling
表示视频画面的像素的编码方式有两种，一种是前面提到的RGB编码方式（一个像素由24个bit表示，其中的8个bit用于表示red，8个bit用于表示green，8个bit用于表示blue），另一种则是YUV编码方式。现在的视频一般都会被以一种名为YUV的编码方式所编码，因为这种编码方式能节省存储空间。YUV的实现方式是，把每一个像素拆分为luma channel Y（亮度）和chroma（color）channels UV。下图所示的是，一张图片分别被以luma和chroma channel的方式拆分之后的效果图。从图中可以看出，luma channel方式拆分后的效果图（如下图中间的那张图片所示）还保留着图片的轮廓和细节，但没有彩色效果，而chroma channel方式拆分的效果图（如下图中的最后一张图片所示）丢失了大部分的细节。因为我们的肉眼对亮度（Y）更加敏感，所以聪明的工程师就把每个像素中的部分UV数据给舍弃掉（舍弃的过程被称为chroma subsampling），进而达到保证图片质量的基础上降低图片的占用空间的目的。
功能单元10：Container formats
我们在电脑或者手机上看到的视频文件的文件后缀名一般是.mp4、.mov等等，虽然我们常常把这些后缀名称为文件的格式，但准确地定义应该是容器的格式（container formats）。container format也被称为metafile format（元文件格式，你可以把它理解为一个文件夹，该文件夹包含了一种或者多种media类型的文件，比如，一个QuickTime文件包含了多种media类型的数据（比如视频、音频、字幕、文件的描述信息）。每种container format都包含了描述其文件的结构的规范说明书（规范说明书里面包含了视频的时长、视频的编码格式、视频的标题、作者信息）。