其中Client为提交Spark程序的节点，其余为Spark分布式集群中的物理节点。这些节点可以分为2类，集群管理节点（ClusterMaster）和从（Slave）节点。
一、集群管理节点
ClusterMaster节点是整个Spark集群的核心，ClusterMaster节点不执行实际的计算任务，而是负责管理整个集群的计算资源。这里的计算资源是指除ClusterMaster以外的，其他物理主机的内存、cpu处理器等物理资源。这些计算资源由ClusterMaster节点统一管理，并将这些资源合理的分配给用户提交的各个应用程序。
所有的计算节点都要向ClusterMaster节点注册，将自身的计算资源交给ClusterMaster节点进行统一调度。
二、Slave节点
Slave节点是执行作业逻辑的节点，根据功能的不同分为2类：任务调度节点（Driver）和任务执行节点（Worker）。
（1）任务调度节点
如果节点上运行了Spark程序main函数所在的进行，那么该节点就作为该应用程序的Driver节点。
Driver节点作为整个应用程序逻辑的起点，负责创建SparkContext、定义一个或多个RDD。
Driver主要负责2方面的任务：
1.负责将一个应用程序分割为物理上可执行的任务（Task）；
2.将Task分配到最合适的Worker节点上运行，并协调这些Task在Worker上完成运行；
（2）Worker节点
运行Executor进程的节点就是Worker节点，Spark为每一个应用程序在Worker节点上创建一个Executor进程。Executor进程负责2方面的工作：
1.负责执行Task任务，并将执行结果反馈给Driver节点；
2.为RDD提供内存存储；
三、Spark程序的运行模式
（1）本地模式（Local）：Spark作业实在单机使用非并行模式执行；
（2）单机模式（Standalone）：Standalone模式运行的Spark集群对不同的应用程序采取先进先出（FIFO）的顺序进行调度，默认情况下，每个应用程序会独占所有可用节点的资源；
（3）伪分布式模式（local-cluster）：单机环境下模拟了Standalone模式。在伪分布式模式下资源的调度流程和Standalone模式相同，但是资源调度不是实际的物理节点，而是在单机上运行的伪分布Spark集群；
（4）YARN模式：Spark集群运行在YARN资源管理框架上；
（5）Mesos模式：Spark集群运行在Mesos资源管理框架上；