昨天在yarn集群上跑代码遇到这个问题，现在发现spark代码写好是重要的一方面，spark submit参数设置也起着重要的作用
Container killed by YARN for exceeding memory limits，直白的意思就是超出内存限制了，查看yarn集群的设置，在yarn的配置表
yarn.scheduler.maximum-allocation-mb设置值6114，也就是说单个container申请的最大内存是这么多，但是执行任务的时候你的executer需要的内存超出这个值，那么就会被杀掉。
在google一遍之后，网上给出的答案是调节参数 spark.yarn.executor.memoryOverhead，这个参数就是给executer预留的内存，默认情况下是
// Below calculation uses executorMemory, not memoryOverhead
math.max((MEMORY_OVERHEAD_FACTOR * executorMemory).toInt, MEMORY_OVERHEAD_MIN))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。
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 说了这么一大堆，可能部分人的情况可以解决，但是博主的问题依然存在，这个时候请教了一下组内的同事，同事看了下我spark-submit提交的参数，让我修改了exectute-cores 和executer-number 以及executer-memmory ，driver-memory，调节了以后还是炸锅了。。。那么去看了一下代码，代码目前没有任何的持久化操作，shuffle操作以目前的数据量可以接受
解决的办法竟然是修改数据的分区数，打印了spark默认分配的分区数，尼玛就只有3个啊，我一狠心重新分配至50个，然后提交测试一下，然后默默的看着屏幕不算打印INFO信息，直至跑完。。。。。
不断学习，不断成长，感谢蒋大兄弟的帮助
