我们知道，spark执行的时候，可以通过 --executor-memory 来设置executor执行时所需的memory。但如果设置的过大，程序是会报错的，如下
那么这个值最大能设置多少呢？本文来分析一下。 文中安装的是Spark1.6.1，安装在hadoop2.7上。
1、相关的2个参数
1.1 yarn.scheduler.maximum-allocation-mb
这个参数表示每个container能够申请到的最大内存，一般是集群统一配置。Spark中的executor进程是跑在container中，所以container的最大内存会直接影响到executor的最大可用内存。当你设置一个比较大的内存时，日志中会报错，同时会打印这个参数的值。如下图 ，6144MB，即6G。
1.2 spark.yarn.executor.memoryOverhead
executor执行的时候，用的内存可能会超过executor-memoy，所以会为executor额外预留一部分内存。spark.yarn.executor.memoryOverhead代表了这部分内存。这个参数如果没有设置，会有一个自动计算公式(位于ClientArguments.scala中)，代码如下：
其中，MEMORY_OVERHEAD_FACTOR默认为0.1，executorMemory为设置的executor-memory, MEMORY_OVERHEAD_MIN默认为384m。参数MEMORY_OVERHEAD_FACTOR和MEMORY_OVERHEAD_MIN一般不能直接修改，是Spark代码中直接写死的。
2、executor-memory计算
计算公式：
val executorMem = args.executorMemory + executorMemoryOverhead
假设executor-为X（整数，单位为M），即
1） 如果没有设置spark.yarn.executor.memoryOverhead,
executorMem= X+max(X*0.1,384)
2）如果设置了spark.yarn.executor.memoryOverhead（整数，单位是M）
executorMem=X +spark.yarn.executor.memoryOverhead
需要满足的条件：
executorMem< yarn.scheduler.maximum-allocation-mb
注意：以上代码位于Client.scala中。
本例中 :
6144=X+max(X*0.1,384)
X=5585.45
向上取整为5586M，即最大能设置5586M内存。
