Spark执行器正在处理任务，这些任务是从执行计划/代码和 Dataframe 的分区中派生出来的。执行器上的每个内核总是只处理一个任务，因此每个执行器最多只能获得内核数量的任务数。在一个执行器中拥有您所要求的更多任务是不可能的。您应该查找代码更改，最小化shuffle的数量（没有内部连接;使用窗口），并检查数据中导致分区大小分布不均匀（ Dataframe 分区，而不是存储分区）的偏差。
警告：如果您在群集上是单独一个人，并且不想更改代码，则可以更改服务器的YARN设置，并使用超过48个核心来表示它，即使只有48个核心。这可能会导致系统严重不稳定，因为执行器现在共享CPU。（您的操作系统也需要CPU能力。）

这个答案是对@Telijas答案的补充，因为大体上我同意这个答案。它只是提供了一点点额外的信息。
有一些配置参数可以用来设置Spark某些部分的线程数，例如，Spark文档中有一个部分讨论了其中的一些配置参数（在写这篇文章的时候，我正在看最新的Spark版本：* * 版本3.3.1**）：
根据作业和集群配置，我们可以在Spark的几个地方设置线程数量，以有效地利用可用资源，从而获得更好的性能。在Spark 3.0之前，这些线程配置适用于Spark的所有角色，如驱动程序、执行器、工作者和主机。我们可以从驱动程序和执行器开始以更细的粒度配置线程。2以RPC模块为例如下表所示。3对于其他模块，如shuffle，只需要在属性名称中用"shuffle"替换"rpc"，spark除外。{driver| executor}. rpc. netty. dispatcher. numThreads，它只用于RPC模块。
| 属性名称|默认值|意义|自版本|
| - ------| - ------| - ------| - ------|
| Spark。{司机|执行程序}. rpc. io.服务器线程|回到spark. rpc. io.服务器线程|服务器线程池中使用的线程数|
| Spark。{司机|执行程序}. rpc. io.客户端线程|回退到spark. rpc. io.客户端线程|客户端线程池中使用的线程数|
| Spark。{司机|执行程序}. rpc. netty.调度程序.数目个线程|回退到spark. rpc. netty. dispatcher. numThreads| RPC消息调度程序线程池中使用的线程数|
下面是一些其他与线程数相关的配置参数的列表（没有特定顺序的非详尽列表，只是浏览了源代码）：

• 第一个月
• spark.storage.decommission.shuffleBlocks.maxThreads
• spark.shuffle.mapOutput.dispatcher.numThreads
• spark.shuffle.push.numPushThreads
• spark.shuffle.push.merge.finalizeThreads
• spark.rpc.connect.threads
• spark.rpc.io.threads
• spark.rpc.netty.dispatcher.numThreads（将被上表中特定于驱动程序/执行程序的参数覆盖）
• spark.resultGetter.threads
• spark.files.io.threads

我没有把这些参数的含义加到这个答案中，因为这是一个不同的问题，而且很"谷歌"。这只是作为一个额外的信息位的意思。