a.[--master]:表示要连接的集群管理器
spark://host:port:连接到指定端口的Spark独立集群上。默认情况下Spark 独立主节点使用7077端口
mesos://host:port:连接到指定端口的Mesos 集群上。默认情况下Mesos 主节点监听5050端口
yarn :连接到一个YARN 集群。当在YARN上运行时，需要设置环境变量HADOOP_CONF_DIR指向Hadoop 配置目录，以获取集群信息
local:运行本地模式，使用单核
local[N]:运行本地模式，使用N个核心
local[*]:运行本地模式，使用尽可能多的核心
b.[--deploy-mode]:选择driver驱动管理器在“client”和“cluster”运行；
在集群管理器上，如果是“client”提交，那么驱动管理器在client运行；
如果是“cluster”提交，那么驱动管理器在集群上运行；
如：在spark on yarn模式下：
在slave1节点上执行：{spark-submit --master yarn --deploy-mode client},那么spark-submit守护进程在slave1上
在slave1节点上执行：{spark-submit --master yarn --deploy-mode cluster},那么spark-submit守护进程在nodemanger节点上
但在{spark-shell --master yarn --deploy-mode cluster}模式下，报以下错误：
Error: Cluster deploy mode is not applicable to Spark shells.因为spark-shell本身就是一个客户端
c.相关属性:
【在spsrk on yarn模式下】
SPARK_EXECUTOR_INSTANCES, Number of executors to start (Default: 2)
--设置exexutor(执行进程)的总数量，原则上越大越好。
SPARK_EXECUTOR_CORES, Number of cores for the executors (Default: 1).
--设置executor(执行进程)所需的cores(核数)，cores(核数)决定Task并行度。
SPARK_EXECUTOR_MEMORY, Memory per Executor (e.g. 1000M, 2G) (Default: 1G)
--设置每个executor所需的内存大小；可以指定单位；
SPARK_DRIVER_MEMORY, Memory for Driver (e.g. 1000M, 2G) (Default: 1G)
--设置driver进程所需的内存大小
【在spsrk Standalone模式下】
SPARK_MASTER_HOST, to bind the master to a different IP address or hostname
--设置Master的主机名或IP
SPARK_MASTER_PORT / SPARK_MASTER_WEBUI_PORT, to use non-default ports for the master
--设置Master端口号，默认为7077
SPARK_MASTER_OPTS, to set config properties only for the master (e.g. "-Dx=y")
--设置Master配置属性
SPARK_WORKER_CORES, to set the number of cores to use on this machine
--设置workerg工作节点的核数
SPARK_WORKER_MEMORY, to set how much total memory workers have to give executors (e.g. 1000m, 2g)
--设置给每个executor内存数大小
SPARK_WORKER_PORT / SPARK_WORKER_WEBUI_PORT, to use non-default ports for the worker
--设置worker节点的端口号
SPARK_WORKER_INSTANCES, to set the number of worker processes per node
--设置每个节点开启多少个worker进程
SPARK_WORKER_DIR, to set the working directory of worker processes
--设置每个worker节点的工作目录，比如：缓存操作进行Disk操作时。
SPARK_WORKER_OPTS, to set config properties only for the worker (e.g. "-Dx=y")
--设置Worker配置属性
SPARK_DAEMON_MEMORY, to allocate to the master, worker and history server themselves (default: 1g).
--设置守护进程的内存大小，默认为1G
SPARK_HISTORY_OPTS, to set config properties only for the history server (e.g. "-Dx=y")
--设置HISTORY配置属性
SPARK_SHUFFLE_OPTS, to set config properties only for the external shuffle service (e.g. "-Dx=y")
--设置SHUFFLE配置属性
SPARK_DAEMON_JAVA_OPTS, to set config properties for all daemons (e.g. "-Dx=y")
--设置Java守护进程配置属性
SPARK_PUBLIC_DNS, to set the public dns name of the master or workers
--设置DNS服务器名称
d.[--executor-memory]
针对当前spark-submit，设置每个executor所需的内存大小；执行器进程使用的内存量，以字节为单位。
e.[--driver-memory]
驱动器进程使用的内存量，以字节为单位
案例：
如假设一个集群有六个节点服务器(Nodemanager),每个主机的配置16内核和64G内存；
yarn资源调度上，资源分配应如下：
内存上：yarn.nodemanager.resource.memory-mb = 63G
内核上：yarn.nodemanager.resource.cpu-vcores = 15
原因：避免将100%的资源分配给Yarn容器，因为主机是需要一些资源来运行操作系统和Hadoop的守护进程；
注明：不考虑集群中存在HBase的情况；
那么，spark on Yarn模式。开启spark-submit应用：
spark-submit --master yarn --deploy-mode cluster
--num-executors 6
--exector-cores 15
--executor-memory 63G
说明：分别在每个节点开启一个executor，每个executor执行任务的并行度为15，每个executor所分配的内存大小63G
问题：1.内存开销将超出nodemanager的内存限制；
2.ApplicationMaster(slave3)占用一个核数，在该主机节点(slave3)上将没有15个核来分配;
3.每个执行进程15个核心，将会产生15个并行度，将对HDFS的IO吞吐量性能较差
解决方案,如下：
spark-submit --master yarn --deploy-mode cluster
--num-executors 17 //确保每个节点开启三个executor(3*6=18)，17+1=18(17个executor+一个driver)
--exector-cores 5 //确保每个executor的并行度为5，HDFSIO性能
--executor-memory 19G //计算63G/3=21G(内存数/executor个数)
思路：executor的并行度(核数)控制在5以内，HDFSI/O性能