HashSet扩容机制在时间和空间上的浪费，远大于你的想象

一：背景

1. 讲故事

自从这个纯内存项目进了大客户之后，搞得我现在对内存和CPU特别敏感，跑一点数据内存几个G的上下，特别没有安全感，总想用windbg抓几个dump看看到底是哪一块导致的，是我的代码还是同事的代码？ 很多看过我博客的老朋友总是留言让我出一套windbg的系列或者视频，我也不会呀，没办法，人在江湖飘，迟早得挨上几刀，逼着也得会几个花架子😄😄😄，废话不多说，这一篇就来看看 HashSet 是如何扩容的。

二：HashSet的扩容机制

1. 如何查看

了解如何扩容，最好的办法就是翻看HashSet底层源码，最粗暴的入口点就是 HashSet.Add 方法。

从图中可以看到最后的初始化是用 Initialize 的，而且里面有这么一句神奇的代码: int prime = HashHelpers.GetPrime(capacity);，从字面意思看是获取一个质数，哈哈，有点意思，什么叫质数？ 简单说就是只能被 1 和 自身 整除的数就叫做质数，那好奇心就来了，一起看看质数是怎么算的吧！ 再次截图。

从图中看，HashSet底层为了加速默认定义好了 72 个质数，最大的一个质数是 719w，换句话就是说当元素个数大于 719w 的时候，就只能使用 IsPrime 方法动态计算质数，如下代码：

public static bool IsPrime(int candidate)
{
	if ((candidate & 1) != 0)
	{
		int num = (int)Math.Sqrt(candidate);
		for (int i = 3; i <= num; i += 2)
		{
			if (candidate % i == 0)
			{
				return false;
			}
		}
		return true;
	}
	return candidate == 2;
}

看完了整个流程，我想你应该明白了，当你第一次Add的时候，默认的空间占用是 72 个预定义中最小的一个质数 3，看过我之前文章的朋友知道List的默认大小是4，后面就是简单粗暴的 * 2 处理，如下代码。

private void EnsureCapacity(int min)
{
	if (_items.Length < min)
	{
		int num = (_items.Length == 0) ? 4 : (_items.Length * 2);
	}
}

2. HashSet 二次扩容探究

当HashSet的个数达到3之后，很显然要进行二次扩容，这一点不像List用一个 EnsureCapacity 方法搞定就可以了，然后细看一下怎么扩容。

public static int ExpandPrime(int oldSize)
{
	int num = 2 * oldSize;
	if ((uint)num > 2146435069u && 2146435069 > oldSize)
	{
		return 2146435069;
	}
	return GetPrime(num);
}

从图中可以看到，最后的扩容是在 ExpandPrime 方法中完成的，流程就是先 * 2， 再取最接近上限的一个质数，也就是 7 ，然后将 7 作为 HashSet 新的Size，如果你非要看演示，我就写一小段代码证明一下吧，如下图：

2. 您嗅出风险了吗？

<1> 时间上的风险

为了方便演示，我把 72 个预定义的最后几个质数显示出来。

public static readonly int[] primes = new int[72]
{
	2009191,
	2411033,
	2893249,
	3471899,
	4166287,
	4999559,
	5999471,
	7199369
};

也就是说，当HashSet的元素个数为 2893249 的时候触发扩容变成了 2893249 * 2 => 5786498 最接近的一个质数为：5999471，也就是 289w 暴增到了 599w，一下子就是 599w -289w = 310w 的空间虚占，这可是增加了两倍多哦，吓人不？ 下面写个代码验证下。

        static void Main(string[] args)
        {
            var hashSet = new HashSet<int>(Enumerable.Range(0, 2893249));

            hashSet.Add(int.MaxValue);

            Console.Read();
        }

0:000> !clrstack -l

000000B8F4DBE500 00007ffaf00132ae ConsoleApplication3.Program.Main(System.String[]) [C:\4\ConsoleApp1\ConsoleApp1\Program.cs @ 16]
    LOCALS:
        0x000000B8F4DBE538 = 0x0000020e0b8fcc08
0:000> !DumpObj /d 0000020e0b8fcc08
Name:        System.Collections.Generic.HashSet`1[[System.Int32, System.Private.CoreLib]]
Size:        64(0x40) bytes
File:        C:\Program Files\dotnet\shared\Microsoft.NETCore.App\5.0.0-preview.5.20278.1\System.Collections.dll
Fields:
              MT    Field   Offset                 Type VT     Attr            Value Name
00007ffaf0096d10  4000017        8       System.Int32[]  0 instance 0000020e2025e9f8 _buckets
00007ffaf00f7ad0  4000018       10 ...ivate.CoreLib]][]  0 instance 0000020e2bea1020 _slots
00007ffaeffdf828  4000019       28         System.Int32  1 instance          2893250 _count
0:000> !DumpObj /d 0000020e2025e9f8
Name:        System.Int32[]
Size:        23997908(0x16e2dd4) bytes
Array:       Rank 1, Number of elements 5999471, Type Int32 (Print Array)
Fields:
None

而且最重要的是，这里是一次性扩容的，而非像redis中实现的那样渐进式扩容，时间开销也是大家值得注意的。

<2> 空间上的风险

这个有什么风险呢？可以看一下：289w 和 599w 两个HashSet的占用空间大小，这也是我最敏感的。

        static void Main(string[] args)
        {
            var hashSet1 = new HashSet<int>(Enumerable.Range(0, 2893249));

            var hashSet2 = new HashSet<int>(Enumerable.Range(0, 2893249));
            hashSet2.Add(int.MaxValue);

            Console.Read();
        }

0:000> !clrstack -l
OS Thread Id: 0x4a44 (0)
000000B1B4FEE460 00007ffaf00032ea ConsoleApplication3.Program.Main(System.String[]) [C:\4\ConsoleApp1\ConsoleApp1\Program.cs @ 18]
    LOCALS:
        0x000000B1B4FEE4B8 = 0x000001d13363cc08
        0x000000B1B4FEE4B0 = 0x000001d13363d648

0:000> !objsize 0x000001d13363cc08
sizeof(000001D13363CC08) = 46292104 (0x2c25c88) bytes (System.Collections.Generic.HashSet`1[[System.Int32, System.Private.CoreLib]])
0:000> !objsize 0x000001d13363d648
sizeof(000001D13363D648) = 95991656 (0x5b8b768) bytes (System.Collections.Generic.HashSet`1[[System.Int32, System.Private.CoreLib]])

可以看到， hashSet1的占用： 46292104 / 1024 / 1024 = 44.1M， hashSet2 的占用 : 95991656 / 1024 / 1024 = 91.5M,一下子就浪费了： 91.5 - 44.1 = 47.4M。

如果你真以为仅仅浪费了 47.4M 的话，那你就大错特错了，不要忘了底层在扩容的时候，使用新的 size 覆盖了老的 size，而这个 老的 size 集合在GC还没有回收的时候会一直占用堆上空间的，这个能听得懂吗？ 如下图：

要验证的话可以用 windbg 去托管堆上抓一下 Slot[] m_slots 和 int[] m_buckets 两个数组，我把代码修改如下：

    static void Main(string[] args)
    {
        var hashSet2 = new HashSet<int>(Enumerable.Range(0, 2893249));
        hashSet2.Add(int.MaxValue);
        Console.Read();
    }


0:011> !dumpheap -stat
00007ffaf84f7ad0        3    123455868 System.Collections.Generic.HashSet`1+Slot[[System.Int32, System.Private.CoreLib]][]

这里就拿 Slot[] 说事，从上面代码可以看到，托管堆上有三个 Slot[] 数组，这就有意思了，怎么有三个哈，是不是有点懵逼，没关系，我们将三个 Slot[] 的地址找出来，一个一个看。

0:011> !DumpHeap /d -mt 00007ffaf84f7ad0
         Address               MT     Size
0000016c91308048 00007ffaf84f7ad0 16743180     
0000016c928524b0 00007ffaf84f7ad0 34719012     
0000016ce9e61020 00007ffaf84f7ad0 71993676  

0:011> !gcroot 0000016c91308048
Found 0 unique roots (run '!gcroot -all' to see all roots).
0:011> !gcroot 0000016c928524b0
Found 0 unique roots (run '!gcroot -all' to see all roots).
0:011> !gcroot 0000016ce9e61020
Thread 2b0c:
    0000006AFAB7E5F0 00007FFAF84132AE ConsoleApplication3.Program.Main(System.String[]) [C:\4\ConsoleApp1\ConsoleApp1\Program.cs @ 15]
        rbp-18: 0000006afab7e618
            ->  0000016C8000CC08 System.Collections.Generic.HashSet`1[[System.Int32, System.Private.CoreLib]]
            ->  0000016CE9E61020 System.Collections.Generic.HashSet`1+Slot[[System.Int32, System.Private.CoreLib]][]

从上面可以看到，我通过 gcroot 去找这三个地址的引用根，有两个是没有的，最后一个有的自然就是新的 599w 的size，对不对，接下来用 !do 打出这三个地址的值。

0:011> !do 0000016c91308048
Name:        System.Collections.Generic.HashSet`1+Slot[[System.Int32, System.Private.CoreLib]][]
Size:        16743180(0xff7b0c) bytes
Array:       Rank 1, Number of elements 1395263, Type VALUETYPE (Print Array)
Fields:
None

0:011> !do 0000016c928524b0
Name:        System.Collections.Generic.HashSet`1+Slot[[System.Int32, System.Private.CoreLib]][]
Size:        34719012(0x211c524) bytes
Array:       Rank 1, Number of elements 2893249, Type VALUETYPE (Print Array)
Fields:
None

0:011> !do 0000016ce9e61020
Name:        System.Collections.Generic.HashSet`1+Slot[[System.Int32, System.Private.CoreLib]][]
Size:        71993676(0x44a894c) bytes
Array:       Rank 1, Number of elements 5999471, Type VALUETYPE (Print Array)
Fields:
None

从上面的 Rank 1, Number of elements 信息中可以看到，原来托管堆不仅有扩容前的Size ：2893249，还有更前一次的扩容Size: 1395263，所以按这种情况算： 托管堆上的总大小近似为： 23.7M + 47.4M + 91.5M = 162.6M，我去，不简单把。。。 也就是说：托管堆上有 162.6 - 91.5 =71.1M 的未回收垃圾 ➕ 刚才的 47.4M 的空间虚占用，总浪费为:118.5M，但愿我没有算错。。。

3. 有解决方案吗？

在List中大家可以通过 Capacity 去控制List的Size，但是很遗憾，在 HashSet 中并没有类似的解决方案，只有一个很笨拙的裁剪方法: TrimExcess，用于将当前Size扩展到最接近的 质数 值， 如下代码所示：

public void TrimExcess()
{
	int prime = HashHelpers.GetPrime(m_count);
	Slot[] array = new Slot[prime];
	int[] array2 = new int[prime];
	int num = 0;
	for (int i = 0; i < m_lastIndex; i++)
	{
		if (m_slots[i].hashCode >= 0)
		{
			array[num] = m_slots[i];
			int num2 = array[num].hashCode % prime;
			array[num].next = array2[num2] - 1;
			array2[num2] = num + 1;
			num++;
		}
	}
}

应用到本案例就是将 289w 限制到 347w，仍然有 58w的空间占用。 如下图：

三： 总结

HashSet的时间和空间上虚占远比你想象的大很多，而且实占也不小，因为底层用到了双数组 m_slots 和 m_buckets，每个Slot还有三个元素: struct Slot { int hashCode;internal int next;internal T value; }，所以了解完原理之后谨慎着用吧。