Spark 提交任务时主要可调的资源配置参数包括 Driver 资源（内存、CPU）、Executor 资源（数量、内存、CPU）以及 集群管理相关参数。配置和优化时一般结合集群硬件资源、数据规模、作业类型和作业复杂度（SQL / 机器学习） 来综合设置。
下面是提交过程参数配置实例：

spark-submit --driver-memory 4g \ # 指定Driver进程的内存大小(堆内存)，影响不大。
--num-executors 15 # Executor 的总数量，Standalone/K8s 可直接设定；Yarn默认会动态分配。
--executor-memory 8g \ # 指定每个Executor的内存大小(堆内存)，一般都是Execution会出现OOM，因为Storage会落盘。
--executor-cores 3 \ # 指定每个Executor核心数(真正并行数)，4核心建议设成3。
--queue root.default \ # 设置Yarn的资源队列。
--conf spark.yarn.executor.memoryOverhead=2048 \ # 设置堆外内存大小，默认executor-memory的10%。
--conf spark.core.connection.ack.wait.timeout=300 # 设置通讯等待超时时间。
# 例如集群有15台机器，每台2个CPU核心，则指定15个Executor每个的核心为2。总并行度 = num-executors × executor-cores，尽量大于等于总分区数

资源优化的策略包括：

1. 内存分配：
   executor-memory ≈ 节点内存 ÷ 每节点 Executor 数量 - 预留空间；
   num-executors × executor-cores 不要超过节点总核数。
2. 并行度：一般建议 总 cores ≈ 分区数 或者稍大一些。SQL 场景调节 spark.sql.shuffle.partitions（默认 200 通常过大/过小都不好）。
3. 动态分配：在资源紧张的环境或多租户模式下建议开启，可避免资源浪费。