1. 基础概念
要掌握这个知识点，要了解以下几个点：
- spark driver和executor的on-heap内存是如何配置的。
- spark driver和excutor的off-heap内存是如何配置的。
- yarn的最小调度单元。
首先，讲一下上面的这三个概念吧：
1). spark.driver.memory
默认值1g。driver进程的on-heap内存，driver进程就是sparkcontext初始化所在的进程。在client模式下driver的堆内存，不要通过SparkConf设置，要用--driver-memory命令替换，或者在默认的配置文件里配置。
2). spark.driver.memoryOverhead
默认值是max(DriverMemory*0.1,384m)。在YARN或者kubernetes模式的cluster模式下，driver端申请的off-heap内存的总量，通常是driver堆内存的6%-10%。
3). spark.executor.memory
默认值1g。Executor的jvm内存总量。
4). spark.executor.memoryOverhead
默认值max(executor*0.1,384).单个executor申请的off-heap内存的总量。该参数仅仅支持在yarn或者kubernetes上使用，通常可以是executor内存的0.06-0.1。
5).spark.yarn.am.memory
默认值512m，Appmaster在client模式下的内存。假如是Cluster模式下会使用spark.driver.memory来代替。
6).Yarn的最小调度单元
yarn调度container有个最小粒度，资源调度的时候必须是其整数倍，最小粒度的配置参数是
<code>yarn.scheduler.minimum-allocation-mb/<code>
最小调度单元默认值是1024，单位是mb。
2.cluster模式
浪尖这里的案例是40个executor，单个executor内存申请的时候是20GB，driver是20GB，yarn的web ui截图如下：
整个APP申请的总内存是 923648MB=902GB。
spark app申请的单个 Executor内存，从1.3和1.4可以得知是：
那么40个executor内存是：
<code>22GB * 40 = 880GB /<code>
spark on yarn 的cluster模式下Driver端与appmaster是在一起的，所以appmaster内存参数无效，因此driver和executor总内存由1.1和1.2可得：
<code>20GB * 0.1 +20GB=22G/<code>
那么计算所得的总内存是：
<code>22GB+88 GB正好是 902GB。/<code>
上面计算的案例中，由于浪院长这里的yarn集群内存调度的最小粒度是1GB貌似，在上面的计算中没有参与度。
3.cluster模式下
此时假设是10个executor，每个executor的内存是19GB，driver的内存依然是19GB。
首先，我们先看一下，web ui的总内存：
换算成GB就是236544MB/1024 = 231GB
那么经计算可以指导单个executor的内存是：
19*1.1GB =20.9GB
Yarn的最小调度单元是1GB，所以单个executor调度的时候内存是21GB。
10个executor的总内存就是 21 *10 = 210GB
经计算可以得到driver的内存是19*1.1GB= 21GB
那么计算所得的spark app内存和 yarn ui上所得内存一致。
4.注意点
上述计算要想正确要确保：
没有开启动态executor申请与释放，假设开启了，要视情况计算。
閱讀更多 java程序員工程師 的文章
