Spark中Executor内存中管理机制

分为两种
1.静态内存管理
2.统一内存管理
一.静态内存管理

静态的内存管理

首先定义内存的大小为3G（--executor-memory 3G）
定义完成后，静态的内存管理，管理的内存分为三大部分
(1)默认占比60%(spark.storage.memoryFraction来配置)
这部分又分成三部分
1.(占10%)为了防止发生OOM预留出来的内存
通过spark.storage.safetyFraction(默认值90%)来配置
2.(占20%)用于数据展开的unroll。RDD数据进行持久化的时候，有可能会选用带有ser的持久化级别。
通过spark.storage.unrollFraction来配置
3.(占70%)存放RDD的缓存数据，广播变量

(2)默认占比20%(通过spark.shuffle.memoryFraction来配置)。这部分的作用是reduce task在计算之前首先获取磁盘小文件的位置，然后通过本进程中的BlockManager启动五个子线程拉取的数据就会存储到这部分内存中。这部分分为两小部分
1.(占80%)用于shuffle
2.(占20%)和上面一样，为了防止发生OOM预留出来的(通过spark.shuffle.safetyFraction配置，默认值0.8)

(3)(默认占20%)用于task的计算，task是一个线程，线程执行需要内存，并且这个线程创建的对象也会存储到这部分内存中。

二.统一的内存管理

统一的内存管理

比静态的内存管理结构较简单
主要分为三大部分
一.预留出300M给JVM使用
如果本机JVM没有300M内存就会报错
解决方案：手动设置spark.testing.memory配置信息的值，将这个值调小，如果不调整，就默认300M
二.其余内存的75%存放RDD的缓存数据，广播变量，shuffle用的内存(spark.memory.fraction配置)
这部分默认分成两个小部分
1.(默认50%)RDD的缓存数据，广播变量
由spark.memory.storageFraction配置
2.(默认50%)shuffle用的内存
这部分的比例由上一部分的比例决定
在统一的内存管理中Storage内存与shuffle内存可以互相借用，借用的比例不能超过各自的50%。
互相借用这个功能是一个双刃剑，例如，如果是一个IO密集型计算，那么会占用大量的cache内存，就会占用shuffle内存，这样shuffle会非常慢。
三.task执行用的内存。这部分的比例是第二部分的比例决定的