今天，星球里有个妹子问了一个问题，主要是spark官网说了这么段话：

在gc的统计信息中，如果老年代接近满了，
减少用于缓存的内存(通过减小spark.memory.Fraction)。
缓存较少的对象比降低运行速度对我们来说更有好处。
另外，可以考虑减少年轻代。可以通过减小-Xmn参数设置的值，假如使用的话。
假如没有设置可以修改JVM的NewRation参数。
大多数JVMs默认值是2，意思是老年代占用了三分之二的总内存。
这个值要足够大，相当于扩展了spark.memory.fraction.

她的疑惑是为啥不直接设置：

spark.memory.storageFraction

以减少存储内存的占比。

大家可以思考一下，减少spark.memory.storageFraction，可行吗？

明显是不太可行的，这个是没有理解这两个参数的含义。

要知道spark的大部分内存分为执行内存和存储内存。他们共享一个存储空间M。同时，存储内存在执行内存空闲的时候可以占用执行内存空间，执行内存也可以在存储内存大于一个阈值R的时候占用存储内存。R代表缓存不可被清除的最小存储内存。

M和R的计算如下：

1),spark.memory.fraction将M的大小表示为（JVM堆空间 - 300MB）
的一部分（默认为0.75，新版本如spark2.2改为0.6）。
剩余的空间（25％，对应的新版本是0.4）用于用户数据结构，
Spark中的内部元数据，并且在稀疏和异常大的记录的情况下保护OOM错误。
2),spark.memory.storageFraction表示R的大小作为M的一部分（
默认为0.5）。R是M内的存储空间，其中缓存的块免于被执行器驱逐。

然后就会明白，假如我们单纯的减少spark.memory.storageFraction是行不通的，因为存储内存可以占用执行内存进行缓存，缓解不了老年代被吃满的状况，所以只能调整spark.memory.fraction。

1.当然，除了这样，还可以减少年轻代大小，前提是不影响性能。

2.spark最骚的操作是，没有加内存解决不了的问题，假如有那是没加够。

所以建议大家在学习的时候注意深入细心，然后连贯思考。