首先，我们的独立 Spark 集群由 20 个节点组成，每个节点有 40 个核心和 128G 内存（包括 2 个主节点）。
1.我们使用Spark-Job-Server来重用Spark-Context（在核心中，我们要重用缓存的RDD进行查询），当我们将Spark执行器内存设置为每个节点33G并在DataFrame上执行SQL如“ select * from tablename limit 10"，则结果将是格式错误的 UTF-8 样式，应用程序无法解析。
但是如果我们将executor-memory设置在32G以下，那么结果就很好了。在更改内存时，我们保持其余设置不变。
谁能很好地了解 Spark 和 Spark-Job-Server 告诉我们代码混乱的原因？是因为太多的内存导致了我们将结果乱码编码的原因吗？
2. 第二件事是在我们的用户案例中更具体的事情。我们将 60G 数据加载到 mem 中并使用纯内存存储级别将其持久化，数据实际上是一个结构化的表，我们将对其进行一些查询。然后我们在我们缓存的60G RDD（注册为DataFrame）上尝试了Spark SQL，具体来说，并行执行“从tableName where条件子句中选择列”之类的几个查询，导致OOM异常。
我们真的想增加当前集群的查询并行度。谁能给我们一些提示或一些信息来帮助我们解决并行性要求。