1.资源调度模式
1.1 local模式（本地）
运行该模式非常简单，只需要把Spark的安装包解压后，改一些常用的配置即可使用，而不用启动Spark的Master、Worker守护进程( 只有采用集群的Standalone方式时，才需要这两个角色)，也不用启动Hadoop的各服务（除非要用到HDFS文件系统）。
Spark不一定非要跑在hadoop集群，可以在本地，起多个线程的方式来指定。将Spark应用以多线程的方式直接运行在本地，一般都是为了方便调试，本地单机模式分三类：
local： 只启动一个executor
local[k]: 启动k个executor
local[*]： 启动跟cpu数目相同的 executor
1.2 standalone模式
即独立模式， 自带完整的服务，可单独部署到一个集群中,资源管理和任务监控是Spark自己监控，无需依赖任何其他资源管理系统。这个模式也是其他模式的基础. 不使用其他调度工具时会存在单点故障，使用Zookeeper等可以解决
1.3 on-yarn模式
这是一种最有前景的部署模式。但限于YARN自身的发展，目前仅支持**粗粒度模式（**Coarse-grained Mode）。这是由于YARN上的Container资源是不可以动态伸缩的，一旦Container启动之后，可使用的资源不能再发生变化，不过这个已经在YARN计划中了。
应用场景：
考虑到尽量用一个统一的资源调度模式来运行多种任务，
这样可以减轻运维的工作压力，
同时也可以减少资源调度之间的配合（基于集群考虑）
spark-on-yarn支持的两种模式：
- 、yarn-cluster：Driver运行在 YARN集群下的某台机器上的JVM进程中,适用于生产环境；
- 、yarn-client：Driver 运行在当前提交程序的机器上,适用于交互、调试
yarn-cluster和yarn-client的区别在于yarn appMaster，每个yarn app实例有一个appMaster进程，是为app启动的第一个container；负责从ResourceManager请求资源，获取到资源后，告诉NodeManager为其启动container。在实际生产环境中一般都采用yarn-cluster；而如果你仅仅是Debug程序，可以选择yarn-client。
1.4 mesos模式
这是很多公司采用的模式，官方推荐这种模式（当然，原因之一是血缘关系）。正是由于Spark开发之初就考虑到支持Mesos，因此，目前而言，Spark运行在Mesos上会比运行在YARN上更加灵活，更加自然。目前在Spark On Mesos环境中，用户可选择两种调度模式之一运行自己的应用程序：
1)、 粗粒度模式（Coarse-grained Mode）：每个应用程序的运行环境由一个Dirver和若干个Executor组成，其中，每个Executor占用若干资源，内部可运行多个Task（对应多少个“slot”）。应用程序的各个任务正式运行之前，需要将运行环境中的资源全部申请好，即使不用, 运行过程中也要一直占用这些资源，，最后程序运行结束后，回收这些资源。
2)、细粒度模式（Fine-grained Mode）：鉴于粗粒度模式会造成大量资源浪费，Spark On Mesos还提供了另外一种调度模式：细粒度模式，这种模式类似于现在的云计算，思想是按需分配。
与粗粒度模式一样，应用程序启动时，先会启动executor，但每个executor占用资源仅仅是自己运行所需的资源，不需要考虑将来要运行的任务，之后，mesos会为每个executor动态分配资源，每分配一些，便可以运行一个新任务，单个Task运行完之后可以马上释放对应的资源。每个Task会汇报状态给Mesos slave和Mesos Master，便于更加细粒度管理和容错，这种调度模式类似于MapReduce调度模式，每个Task完全独立，优点是便于资源控制和隔离，但缺点也很明显，短作业运行延迟大。
1.5 docker
Docker是一种相比虚拟机更加轻量级的虚拟化解决方案，所以在Docker上搭建Spark集群具有可行性。
1.6 cloud
2.这么多资源调度模式，到底用哪种比较好？
需要通过公司需求和运行速度来综合衡量
3.哪种调度模式速度快呢？
standalone模式
4.为什么又很多企业在用spark-on-yarn模式？
1.考虑到尽量用一个统一的资源调度模式来运行多种任务，
2.这样可以减轻运维的工作压力，
3.同时也可以减少资源调度之间的配合（基于集群考虑）
5.yarn的任务调度流程
1、client向ResourceManager注册并提交任务
2、ResourceManager向NodeManager进行通信，开始在某个NodeManager启动AppMaster
3、AppMaster启动后开始向ResourceManager申请资源
4、ApplicationManager开始资源调度，开始通知NodeManager启动YarnChild
5、YarnChild开始和AppMaster进行通信，AppMaster对所有YarnChild进行监控
6、MR执行完成以后，YarnChild被AppMaster回收，AppMaster把自己回收掉