Spark Driver 和 Executor 分别负责什么？
面试怎么回答
Driver 运行主程序和 SparkContext，负责构建执行计划、划分 Job 与 Stage、生成 Task、调度并跟踪状态。Cluster Manager 负责为应用申请资源并启动 Executor。Executor 在工作节点上执行 Task，保存缓存和 Shuffle 数据并向 Driver 汇报。排障时我会先区分 Driver 与 Executor 日志，避免 collect、超大广播和海量小 Task 把压力集中到 Driver。
先把这段讲顺；面试官追问时，再展开下面的原理和细节。
详细讲解
Executor 数量加倍，任务却没有明显变快。有时问题根本不在计算资源，而是 Driver 正在处理过多 Task 元数据或接收过大的结果。
理解 Driver 和 Executor 的边界，是排查 Spark 问题的基础。
Driver 负责应用级协调、计划和调度，Executor 负责执行 Task、缓存数据并回报状态，Cluster Manager 负责申请和分配资源。
Driver 是应用的控制中心
Driver 运行 main 函数并创建 SparkContext 或 SparkSession。Action 触发计算后，它构建 Job、切分 Stage、生成 Task 并调度到 Executor。
Driver 还要跟踪 Task 状态、处理调度结果和维护应用元数据。它不是“大数据计算节点”，但控制面压力过大同样会拖慢甚至终止整个应用。
Executor 承担真正的并行任务
Executor 是为某个 Spark Application 启动的工作进程，接收 Driver 下发的 Task，在自己的内存和 CPU 中执行计算，并保存缓存或 Shuffle 数据。
不同 Application 通常有各自的 Executor。某个 Executor 故障后，相关 Task 可以在其他 Executor 重算，但外部系统副作用仍要靠业务逻辑保证幂等。
Cluster Manager 只负责资源层协调
Standalone、YARN 或 Kubernetes 等 Cluster Manager 为应用分配资源和启动进程，但不会替 Driver 决定 SQL 的 Join 计划，也不会替 Executor 执行 Task。
client mode 和 cluster mode 的重要区别，是 Driver 进程运行在哪里。前者依赖提交端网络和生命周期，后者由集群环境托管。
常见错误是把数据拉回 Driver
collect、toPandas、大规模本地 Map 或过大的广播变量，都可能让 Driver 内存和网络成为单点。海量小分区还会产生大量 Task，让调度和状态回报本身变成开销。
排障时要先判断异常来自 Driver 日志还是 Executor 日志：Driver OOM、心跳超时、Executor Lost、Task OOM 对应的责任边界完全不同。
一个典型场景
一条聚合任务在集群侧计算很快，却总在最后阶段 Driver OOM。继续检查发现代码为了导出结果调用 collect，把数百万行全部拉回单进程。
继续增加 Executor 只会让结果更快地涌向 Driver，并不能解决问题。把结果分布式写入存储，再由独立导出流程处理后，应用才稳定。
Driver 是控制中心，不应该被当成最终数据仓库。