Spark 把 Executor 内存划分为 4 个区域，分别是 Reserved Memory、User Memory、Execution Memory 和 Storage Memory。通过调整 spark.executor.memory、spark.memory.fraction 和 spark.memory.storageFraction 这 3 个配置项，你可以灵活地调整不同内存区域的大小，从而去适配 Spark 作业对于内存的需求。
再者，在统一内存管理模式下，Execution Memory （操作）与 Storage Memory （暂存）之间可以互相抢占，需要弄清楚二者之间的抢占逻辑。总结下来，内存的抢占逻辑有如下 3 条：
如果对方的内存空间有空闲，双方可以互相抢占；
对于 Storage Memory 抢占的 Execution Memory 部分，当分布式任务有计算需要时，Storage Memory 必须立即归还抢占的内存，涉及的缓存数据要么落盘、要么清除；
对于 Execution Memory 抢占的 Storage Memory 部分，即便 Storage Memory 有收回内存的需要，也必须要等到分布式任务执行完毕才能释放。
最后，我们介绍了 RDD Cache 的基本用法，当一个 RDD 在代码中的引用次数大于 1 时，你可以考虑通过给 RDD 加 Cache 来提升作业性能。具体做法是在 RDD 之上调用 cache 或是 persist 函数。其中 persist (MEMORY_ONLY)更具备普适性，你可以通过指定存储级别来灵活地选择 Cache 的存储介质、存储形式以及副本数量，从而满足不同的业务需要。