前言
Spark的部署模式有Local、Local-Cluster、Standalone、Yarn、Mesos,其中Yarn和Mesos是类似的，都不需要额外部署Spark集群,其中Yarn也是有Yarn-Client，Yarn-Cluster两种模式。Mesos和Yarn差不多，在这就不详细说明了。
一、Local模式
Local模式分为Local本地模式和Local-Cluster本地伪分布式集群模式，两种具体的构建如下：
| 部署模式 | 说明 |
|---|---|
| “local” | 最简单的本地模式。这种本地模式下，任务的失败重试次数为1，即失败不重试。 |
| local[*]、local[N] | 指定线程个数的本地模式，指定方式及最终的线程数如下：1）local[*]：当前处理器个数。2）local[N]：指定的N。这种本地模式下，任务的失败重试次数为1，即失败不重试。 |
| local[*, M]、local[N, M] | 指定线程个数以及失败重试次数的本地模式，仅比上一种本地模式多了一个失败重试次数的设置，对应为M。 |
| local-cluster[numSlaves, coresPerSlave, memoryPerSlave] | 本地伪分布式集群，由于本地模式下没有集群，因此需要构建一个用于模拟集群的实例：localCluster = new LocalSparkCluster。对应的三个参数：numSlaves：模拟集群的Slave节点个数。coresPerSlave：模拟集群的各个Slave节点上的内核数。memoryPerSlave：模拟集群的各个Slave节点上的内存大小。 |
Local模式适用于在本地IDEA编写Scala程序调试Spark程序时使用。
二、Standalone模式
前面集群安装已经介绍了该模式，这里就不再复述，该模式是经典的集群模式，但该模式没有对集群资源的管理，所以会有Yarn模式和Mesos模式。
三、Yarn模式
首先注意几个概念:
ResourceManager：是集群所有应用程序的资源管理器，能够管理集群的计算资源并为每个Application分配，它是一个纯粹的调度器。
NodeManager：是每一台slave机器的代理，执行应用程序，并监控应用程序的资源使用情况。
Application Master：每一个应用程序都会有一个Application Master，它的主要职责是向RM申请资源、在每个NodeManager上启动executors、监控和跟踪应用程序的进程等。
1、Cluster模式
2、Client模式
YARN-Cluster和YARN-Client的区别
（1）SparkContext初始化不同，这也导致了Driver所在位置的不同，YarnCluster的Driver是在集群的某一台NM上，但是Yarn-Client就是在RM在机器上；
（2）而Driver会和Executors进行通信，这也导致了Yarn_cluster在提交App之后可以关闭Client，而Yarn-Client不可以；
（3）最后再来说应用场景，Yarn-Cluster适合生产环境，Yarn-Client适合交互和调试。