创建与分配Executor的方式根据各种资源调度方式的不同而有差异，但拿到Executor后每种资源调度方式下的Executor的运作都一样，并由Executor完成最终的计算
Task在Executor中执行时涉及到依赖环境的创建和分发、任务执行、任务结果的处理、Driver端的处理（书中有详细介绍，但和前面Scheduler感觉有重复部分）
Executor的工作参数设置：
spark.executor.memory：
配置Executor最多使用的内存大小，原理是设置Executor的JVM Heap尺寸实现。由于内存资源有限，此参数设置过大会导致部分任务分配不到资源，设置过小会产生频繁的垃圾回收和读写磁盘
每个Executor可以支持的Task数量取决于持有的CPU core的数量
准确评估数据集，要看在BlockManager的日志中的RDD cache，每个cache分区大小
内存比较紧张时，可以合理规划分区任务的数据规模，如增加分区数可增加任务数，减小每个任务的处理量
日志相关：
spark.eventLog.enabled设置为true打开日志保存到本地，方便调试和追踪问题，但日志需要定时清理，清理策略可以设置：
spark.executor.heartbeatInterval：
Executor和Driver的心跳间隔，就是汇报运行和统计信息的间隔