一. local 模式 — 所有程序都运行在一个JVM中，主要用于开发时测试
无需开启任何服务，可直接运行 ./bin/run-example 或 ./bin/spark-submit 如：
./bin/run-example SparkPi 10
./bin/spark-submit –class org.apache.spark.examples.SparkPi –master local[4] ./examples/jars/spark-examples_2.11-2.1.1.jar 100
local[4] 代表会有4个线程（每个线程一个core）来并发执行应用程序。
此模式下，
1. 这个SparkSubmit进程又当爹、又当妈，既是客户提交任务的Client进程、又是Spark的driver程序、还充当着Spark执行Task的Executor角色
2.程序的运行状态可通过 http://<driver-node>:4040 查看，但是这是临时的，程序运行完后，这个UI也就失效了。我们可以启动Spark History Server，这
样就可以看到历史运行程序的信息了。
开启Spark History Server，可以在spark-defaults.conf里配置如下信息：
spark.eventLog.enabled true
spark.eventLog.dir hdfs://ubuntu1:9000/spark/eventlog
spark.history.fs.logDirectory hdfs://ubuntu1:9000/spark/eventlog
通过： 192.168.137.11:18080 访问 history server //如果启动history的话
二. 测试或实验性质的本地伪集群运行模式（单机模拟集群） — 在单机启动多个进程来模拟集群下的分布式场景
无需开启任何服务，可直接运行如下命令：
./bin/spark-submit –class org.apache.spark.examples.SparkPi –master local-cluster[2,3,512] ./examples/jars/spark-examples_2.11-2.1.1.jar 20
local-cluster[x,y,z]参数：x代表要生成的executor数，y和z分别代表每个executor所拥有的core和memory数。
遇到的问题：sc.executorMemory默认值是1024M,如果我们设置的z的值比1024小的话，就会抛错。可以在spark-defaults.conf 里配置sc.executorMemory的大小。如：
spark.executor.memory 512m
设置成512(单位M)的原因是：用的是本地VM，总共内存也没多少。但是如果设置小于450m的话，还是会报错。
此模式下：SparkSubmit依然充当全能角色，又是Client进程，又是driver程序，还有点资源管理的作用
三. Spark自带Cluster Manager的Standalone Client模式（集群）
需要先启动Spark的Master和Worker守护进程。提交一个任务的命令如下：
./bin/spark-submit –class org.apache.spark.examples.SparkPi –master spark://ubuntu1:7077 ./examples/jars/spark-examples_2.11-2.1.1.jar 100
此模式下，1. 会在所有有Worker进程的节点上启动Executor来执行应用程序。
2. Master进程做为cluster manager，用来对应用程序申请的资源进行管理；
3. SparkSubmit 做为Client端和运行driver程序；
4. 运行结果在Shell里可见
注意，Worker进程生成几个Executor，每个Executor使用几个core，这些都可以在spark-env.sh里面配置
需要配置项：
1. slaves 文件
2. spark-env.sh
export JAVA_HOME=/opt/programs/jdk1.8.0_131
export SPARK_MASTER_IP=ubuntu1
export SPARK_WORKER_CORES=2
export SPARK_EXECUTOR_MEMORY=512m
export SPARK_WORKER_MEMORY=512m
export SPARK_DRIVER_MEMORY=512m
提交一个Spark程序后，可以通过下面的UI查看任务运行状态。
UI: 192.168.137.11:8080
192.168.137.11:18080 //如果启动history的话
四. spark自带cluster manager的standalone cluster模式（集群）
需要先启动Spark的Master和Worker守护进程。提交一个任务的命令如下：
./bin/spark-submit –class org.apache.spark.examples.SparkPi –master spark://ubuntu1:7077 –deploy-mode cluster ./examples/jars/spark-examples_2.11-2.1.1.jar 50
此模式下，1. 客户端的SparkSubmit进程会在应用程序提交给集群之后就退出。所以在shell里，运行结果不可见
2. Master会在集群中选择一个Worker进程生成一个子进程DriverWrapper来启动driver程序
3. 而该DriverWrapper 进程会占用Worker进程的一个core，所以同样的资源下配置下，会比第3种运行模式，少用1个core来参与计算
4. 应用程序的结果，会在执行driver程序的节点的stdout中输出
需要配置项：同（三）
五. 基于YARN的Resource Manager的Client模式（集群）
需要先启动 Hadoop 的 YARN。不需要启动Spark的Master、Worker守护进程。运行如下命令
./bin/spark-submit –class org.apache.spark.examples.SparkPi –master yarn –deploy-mode client ./examples/jars/spark-examples_2.11-2.1.1.jar 100
此模式下：1. 在Resource Manager节点上提交应用程序，会生成SparkSubmit进程，该进程会执行driver程序。
2. RM会在集群中的某个NodeManager上，启动一个ExecutorLauncher进程，来做为ApplicationMaster
3. 也会在多个NodeManager上生成CoarseGrainedExecutorBackend进程来并发的执行应用程序
Yarn 集群模式需要配置项：
1. spark-env.sh
export JAVA_HOME=/opt/programs/jdk1.8.0_131
export HADOOP_HOME=/opt/programs/hadoop-2.7.3
export HADOOP_CONF_DIR=$HADOOP_HOME/etc/hadoop
export YARN_CONF_DIR=$HADOOP_HOME/etc/hadoop
export SPARK_HOME=/opt/programs/spark-2.1.1-bin-hadoop2.7
六. 基于YARN的Resource Manager的Cluster模式（集群）
需要先启动 Hadoop 的 YARN。不需要启动Spark的Master、Worker守护进程。运行如下命令
./bin/spark-submit –class org.apache.spark.examples.SparkPi –master yarn –deploy-mode cluster ./examples/jars/spark-examples_2.11-2.1.1.jar 100
此模式下：1. 在Resource Manager端提交应用程序，会生成SparkSubmit进程，该进程只用来做Client端，应用程序提交给集群后，就会删除该进程。
2. Resource Manager在集群中的某个NodeManager上运行ApplicationMaster，该AM同时会执行driver程序
3. 紧接着，会在各NodeManager上运行CoarseGrainedExecutorBackend来并发执行应用程序
4. 应用程序的结果，会在执行driver程序的节点的stdout中输出，而不是打印在屏幕上。
Yarn 集群模式需要配置项：同(五)
