容器（container）：就是文件格式，在視頻文件進入處理後，我們會給這個視頻文件一個抽象，這個抽象就是存放這種視頻文件的容器，在FFMPEG中，用來抽象文件格式的容器就是AVFormatContext；
數據流（stream）：數據流就是我們平時看到的多媒體數據流，它包含幾種基本的數據流，包括：視頻流、音頻流、字幕流；按照我的理解，這三種基本的數據流在時間軸上交錯放置，只有這樣才能滿足多媒體數據流邊接收邊播放；數據流在FFMPEG中的抽象爲AVStream。
解複用器或者說分流器（demuxer）：FFMPEG將要處理的多媒體文件看成多媒體數據流，先把多媒體數據流放入容器（AVFormatContext），然後將數據流送入解複用器（demuxer），demuxer在FFMPEG中的抽象爲AVInputFormat，我更願意把demuxer稱爲分流器，因爲demuxer就是把交錯的各種基本數據流識別然後分開處理，將分開的數據流分別送到視頻、音頻、字幕編解碼器處理。
數據包（packet）當然分開的數據流在送往編解碼器處理之前，要先放於緩存中，同時添加一些附屬信息例如打上時間戳，以便後面處理，那麼這個緩存空間就是數據包；由於數據流是在時間軸上交錯放置，所以所有的視頻、音頻、字幕都被分割成一段一段的數據，這些一段段的數據從數據流中解析出來之後，就是存放在各自的packet，那麼在這裏要說明一下，單純的視頻數據包來說，一個視頻數據包可以存放一個視頻幀，對於單純的音頻幀來說，如果抽樣率（sample-rate）是固定不變的，一個音頻數據包可以存放幾個音頻幀，若是抽樣率是可變的，則一個數據包就只能存放一個音頻幀。
在H264中沒有數據包的概念，估計是因爲H264只對視頻做處理，所以不用分流，也就不用分流之後的緩存。
數據幀（frame）：終於到數據幀了，編解碼器真正處理的數據就是數據幀，幀這個東西，就是爲了方便處理圖像信息抽象出來的概念，按照我自己的理解，就是原始的圖像數據信息+很多附加的信息=幀；附加的信息就是便於後面編碼的信息，例如幀的解碼時間、幀的顯示時間等，這些信息都是爲了編解碼和播放的方便添加上去的，當然幀的附加信息遠多於這兩個信息，有興趣的可以去看AVFrame，這是幀在FFMPEG中抽象。
我們看到多媒體文件很大，就是因爲這些附加信息也佔據了很大的存儲空間，此外還有協議等信息，當然沒有這些附加信息，這原始的或壓縮的數據流還真不好處理，例如怎麼分辨上一幀與下一幀，這就要靠這些附加信息了。
圖像（picture）：FFMPEG中抽象出來分別是AVPictue，這纔是真正圖像像素信息