从0构建WAV文件：读懂计算机文件的本质
虽然接触计算机有一段时间了，但是我的视野一直局限于一个较小的范围之内，往往只能看到于算法竞赛相关的内容，计算机各种文件在我看来十分复杂，认为构建他们并能达到目的是一件困难的事情，然而近期我观看了油管上Magicalbat大神的视频，发现其实它们的本质都惊人地简单：所有计算机文件，都是按特定规则组织的二进制数据，是人为规定好格式再由计算机解析，对于我们来说，只要根据规定格式进行编辑，就能够成功构建。
今天，我们就从最朴素的方式入手，通过手动构建一个WAV音频文件，拆解WAV格式的底层逻辑，同时理解一个核心认知：只要掌握了文件的格式规范，任何类型的文件都能像搭积木一样，一行行代码“拼”出来。
先认识WAV：WAV文件的格式
WAV是微软开发的无损音频格式，相比于压缩后的MP3，它的结构更直白，没有复杂的编码压缩，因此我们能够通过C++文件写入的方式直接完成wav文件的构建，wav文件的核心由三个关键的“数据块(Chunk)”组成：
- RIFF块：文件的“身份卡”，告诉计算机“我是一个WAV文件”；
- fmt块：音频的“参数说明”，记录采样率、声道数、位深等核心参数；
- data块：真正的音频数据，存储着声音的数字信号。
而每个块的内容又如下图所示：
RIFF:
| 字段名 | 字节数 | 数据类型 | 固定值/计算规则 |
|---|---|---|---|
| ChunkID | 4 | ASCII字符 | 固定为"RIFF"（无终止符，严格4字节） |
| ChunkSize | 4 | 32位无符号整数 | 取值 = 整个WAV文件大小 - 8字节（减去ChunkID和ChunkSize自身的8字节） |
| Format | 4 | ASCII字符 | 固定为"WAVE"（无终止符，严格4字节） |
fmt:
| 字段名 | 字节数 | 数据类型 | 固定值/计算规则 |
|---|---|---|---|
| ChunkID | 4 | ASCII字符 | 固定为"fmt "（末尾空格，无终止符） |
| ChunkSize | 4 | 32位无符号整数 | PCM编码（最常用）下固定为16（代表后续字段的总字节数，不含ChunkID和ChunkSize） |
| AudioFormat（代码中Tag） | 2 | 16位无符号整数 | 编码格式：1=PCM（无压缩，通用）；3=IEEE浮点；6=μ律；7=A律等 |
| NumChannels（代码中Chnnels，拼写笔误） | 2 | 16位无符号整数 | 声道数：1=单声道；2=立体声；>2=多声道 |
| SampleRate | 4 | 32位无符号整数 | 采样率（每秒采样次数）：常见44100Hz（CD音质）、48000Hz、22050Hz等 |
| ByteRate | 4 | 32位无符号整数 | 每秒音频数据字节数 = SampleRate × NumChannels × BitsPerSample / 8 |
| BlockAlign（代码中BloclAlign，拼写笔误） | 2 | 16位无符号整数 | 每个“采样帧”的字节数 = NumChannels × BitsPerSample / 8（播放器一次读取的最小单位） |
| BitsPerSample（代码中BitsperSample） | 2 | 16位无符号整数 | 采样位深（每个采样点的比特数）：8/16/24/32，16位最常用 |
data:
| 字段名 | 字节数 | 数据类型 | 固定值/计算规则 |
|---|---|---|---|
| ChunkID（代码中DataId） | 4 | ASCII字符 | 固定为"data"（无终止符，严格4字节） |
| DataSize | 4 | 32位无符号整数 | 音频数据总字节数 = 采样总数 × BlockAlign；采样总数 = SampleRate × 音频时长 |
| 音频数据区 | 可变 | 二进制流 | PCM编码下为线性整数/浮点数：16位位深对应int16_t，8位对应uint8_t，32位浮点对应float |
我们接下来的代码，就是严格按照这个模板，把每个部分的二进制数据“写”进文件里。
从零构建WAV：一行代码拆解核心逻辑
下面是完整的C++代码（新手也能看懂），我们逐段拆解，看如何从0生成一个能播放的440Hz正弦波WAV文件：
/* by yours.tools - online tools website : yours.tools/zh/htpasswd.html */ #include <bits/stdc++.h> using namespace std; // 类型别名：让代码更易读，明确数据的字节长度 #define u32 uint32_t // 32位无符号整数（4字节） #define u16 uint16_t // 16位无符号整数（2字节） #define f32 float // 32位浮点数（4字节） #define i16 int16_t // 16位有符号整数（2字节） #define HZ 44100 // 采样率：每秒采集44100个声音样本（标准音频采样率） #define DURATION 5 // 音频时长：5秒 // 1. 定义WAV的三个核心数据块结构（对应格式规范） // RIFF块：文件整体标识 struct chunk1{ char ChunkID[4]; // 块标识，固定为"RIFF" u32 ChunkSize; // 从该字段到文件末尾的字节数（总字节数-8） char Format[4]; // 格式类型，固定为"WAVE" }RIFF; // fmt块：音频参数配置 struct chunk2{ char ChunkID[4]; // 块标识，固定为"fmt "（注意末尾有空格） u16 Tag; // 编码格式，1代表PCM（无压缩） u32 ChunkSize; // fmt块的大小，PCM格式固定为16 u16 Chnnels; // 声道数：1=单声道，2=立体声 u32 SampleRate; // 采样率 u32 ByteRate; // 每秒数据量 = 采样率×声道数×位深/8 u16 BloclAlign; // 每个采样的总字节数 = 声道数×位深/8 u16 BitsperSample; // 每个采样的位深：16位（常见） }Fmt; // data块：音频数据存储区 struct chunk3{ char DataId[4]; // 块标识，固定为"data" u32 DataSize; // 音频数据的总字节数 }Data; signed main(int argc,char* argv[]){ // 打开文件："wb"表示以二进制模式写入（关键！文件本质是二进制） FILE *fp = fopen("test.wav","wb"); // 计算总采样数：采样率×时长（5秒×44100=220500个样本） u32 NumSamples = HZ * DURATION; // 2. 填充RIFF块并写入文件 memcpy(RIFF.ChunkID,"RIFF",4); // 写入块标识 RIFF.ChunkSize = NumSamples*sizeof(u16)+36; // 计算块大小 memcpy(RIFF.Format,"WAVE",4); // 声明为WAVE格式 fwrite(RIFF.ChunkID,sizeof(char),4,fp); // 写入4个字符的ChunkID fwrite(&RIFF.ChunkSize,sizeof(u32),1,fp); // 写入4字节的ChunkSize fwrite(RIFF.Format,sizeof(char),4,fp); // 写入4个字符的Format // 3. 填充fmt块并写入文件 memcpy(Fmt.ChunkID,"fmt ",4); Fmt.ChunkSize = 16; // PCM格式下fmt块固定16字节 Fmt.Tag = 1; // PCM无压缩编码 Fmt.Chnnels = 1; // 单声道 Fmt.SampleRate = HZ; // 44100Hz采样率 Fmt.ByteRate = HZ*sizeof(u16); // 每秒字节数：44100×2=88200 Fmt.BloclAlign = Fmt.Chnnels * sizeof(u16); // 每个采样2字节 Fmt.BitsperSample = 16; // 16位位深 // 按顺序写入fmt块的所有参数（严格遵循格式规范） fwrite(&Fmt.ChunkID,sizeof(char),4,fp); fwrite(&Fmt.ChunkSize,sizeof(u32),1,fp); fwrite(&Fmt.Tag,sizeof(u16),1,fp); fwrite(&Fmt.Chnnels,sizeof(u16),1,fp); fwrite(&Fmt.SampleRate,sizeof(u32),1,fp); fwrite(&Fmt.ByteRate,sizeof(u32),1,fp); fwrite(&Fmt.BloclAlign,sizeof(u16),1,fp); fwrite(&Fmt.BitsperSample,sizeof(u16),1,fp); // 4. 填充data块并写入文件 memcpy(Data.DataId,"data",4); Data.DataSize = NumSamples * sizeof(u16); // 音频数据总字节数 fwrite(&Data.DataId,sizeof(char),4,fp); fwrite(&Data.DataSize,sizeof(u32),1,fp); // 5. 生成音频数据并写入（440Hz正弦波，标准A调） for(int i=0;i<NumSamples;i++){ f32 t = (f32)i/HZ; // 计算当前时间点（秒） // 生成440Hz正弦波的数值（声音的本质是振动，正弦波模拟声波） f32 y =sinf(t*440.0f*2.0f*3.1415926f); // 转换为16位整数（适配16位位深的音频） i16 sample = (i16)(y*INT16_MAX); // 写入单个音频样本（2字节） fwrite(&sample,sizeof(i16),1,fp); } fclose(fp); // 关闭文件 return 0; }所有文件，都是“按规则写二进制”的产物
写完这段代码，你可能会发现：生成WAV文件的过程，就是“按格式规范往文件里写二进制数据”的过程。而这个逻辑，适用于所有计算机文件：
- TXT文档：本质是字符的ASCII/UTF-8编码（比如字符'A'对应二进制01000001），我们按顺序写入这些编码，就成了TXT文件；
- BMP图片：由文件头（记录宽、高、位深）+ 像素数据（每个像素的RGB值）组成，按BMP格式写这些数据，就能生成图片；
- MP4视频：哪怕是压缩过的视频，也是按MP4的格式规范，把编码后的视频帧、音频帧组织成二进制数据；
- EXE可执行文件：遵循PE格式，把指令、数据、资源按规则写入，操作系统就能识别并运行。
计算机之所以能“看懂”不同的文件，不是因为文件有“魔法”，而是因为程序员提前约定了“格式规范”——就像我们约定“RIFF”开头的是WAV文件，播放器读到这个标识，就按WAV的规则解析后续数据。
计算机的本质是“朴素的规则”
对刚接触计算机的人来说，各种文件、软件、系统看似复杂，但拆解到最底层，都是“数据+规则”的组合，
只要我们对着格式手册，即便使用最朴素的方式，也能够成功构建出可以使用的音频文件。计算机的世界没有想象中那般复杂，计算机只在乎那最终排好队的 0 和 1。
进一步思考：从文件到软件
了解了各类文件本质，我们自然能理解计算机中各个编辑软件的原理是什么了，就比如今天举的wav的例子，如果我们将示例程序改进一下，加入输入，那么这是否就成了一个简单的音频编辑软件了呢，所有的复杂软件（如 Photoshop、Premiere），底层逻辑都是如此：读取特定规则的二进制 -> 在内存中加工处理 -> 按规则写回二进制。当你不再把文件看作“黑盒”，你便拥有了重塑数字世界的能力。
