在Spark中，Executor的堆外内存（Off-Heap Memory）主要用于存储Shuffle数据、直接内存（Direct Memory）以及元数据等。调整其大小可通过以下步骤实现：
有时，如果你的Spark 作业处理的数据量非常大，达到几亿的数据量，此时运行Spark 作业会时不时地报错，例如shuffle output file cannot find，executor lost，task lost，out of memory 等，这可能是Executor 的堆外内存不太够用，导致Executor 在运行的过程中内存溢出。
stage 的task 在运行的时候，可能要从一些Executor 中去拉取shuffle map output 文件，但是Executor 可能已经由于内存溢出挂掉了，其关联的BlockManager 也没有了，这就可能会报出shuffle output file cannot find，executor lost，task lost，out of memory 等错误，此时，就可以考虑调节一下Executor 的堆外内存，也就可以避免报错，与此同时，堆外内存调节的比较大的时候，对于性能来讲，也会带来一定的提升。
1.关键参数配置
堆外内存由参数spark.executor.memoryOverhead控制（Spark 1.6+版本），单位为MB。其默认值为： $$ \text{max}(384, 0.1 \times \text{executor堆内存}) $$ 例如，若Executor堆内存为10GB（即10240MB），则默认堆外内存为： $$ \text{max}(384, 1024) = 1024\text{MB} $$
2.调整方法
在提交Spark应用时，通过--conf指定参数：
spark-submit \ --conf "spark.executor.memoryOverhead=2048" \ --other-options ...此处将堆外内存设置为2048MB。
3.适用场景
- Shuffle操作频繁：增大堆外内存可缓解
java.lang.OutOfMemoryError: Direct buffer memory错误。 - 使用原生库（如Parquet、ORC）：需更多堆外内存支持JNI调用。
- 堆内存不足警告：若GC频繁或出现
Off-heap memory相关错误日志，需调高该值。
4.配置建议
- 初始值：按默认公式计算（堆内存的10%）。
- 动态调整：根据监控指标（如Spark UI的Executor日志）逐步增加，每次增量建议为堆内存的5%~10%。
- 上限约束：需满足总内存限制（堆内存 + 堆外内存 ≤ YARN Container内存上限）。
5.完整配置示例
spark-submit \ --executor-memory 10g \ # 堆内存10GB --conf spark.executor.memoryOverhead=2g \ # 堆外内存2GB --conf spark.yarn.executor.memoryOverhead=2048 \ # 兼容YARN模式 ...6.注意事项
- 版本差异：Spark 1.6前使用
spark.yarn.executor.memoryOverhead（仅限YARN模式）。 - 资源分配：确保集群资源管理器（如YARN）的Container内存上限 ≥（堆内存 + 堆外内存）。
- 监控验证：通过Spark UI的Executor页签检查
Off-Heap Memory是否生效。
通过合理配置spark.executor.memoryOverhead，可优化Executor的稳定性与性能，避免因堆外内存不足导致的任务失败。
