(九)Spark应用程序在不同部署模式下的运行方式

    我们知道Spark可以运行在不同模式下，这样的话当我们提交程序给Spark集群时就要修改相应的参数设置，在Spark学习的最后，我总结了几种常用模式下的运行命令(在Linux下运行)  PS:下文提到过的jar包是这样来的，我是在Windows下的eclipse中用scala语言编写的程序，所以我把程序导出为一个jar包，之后再传到Linux中相应的目录下
yarn模式：
./bin/spark-submit --class order_apriori.apriori\  //app路径
    --master yarn-client \  //运行模式
    --num-executors 3 \   //executor的个数
    --driver-memory 4g \  //主节点内存大小
    --executor-memory 2g \  //executor的内存大小
    --executor-cores 1 \  //executor的CPU的个数
    /home/hadoop/cd/spark_cd.jar \ //app所在jar包
local模式： 
./bin/spark-submit --class cd_yarn.WordCount\
    --master local[2] \
    --num-executors 3 \
    --driver-memory 4g \
    --executor-memory 2g \
    --executor-cores 1 \
     /home/hadoop/cd/spark_test.jar\
standalone模式：
./bin/spark-submit --class cd_yarn.WordCount\
    --master spark://192.168.137.5:7077 \//spark://主节点的外网IP:7077
    --num-executors3 \
    --driver-memory 512m \
    --executor-memory 216m \
    --executor-cores 1 \
    /home/hadoop/cd/spark_test.jar \
其中yarn模式和local模式可以不需要开启spark，standalone模式需要开启spark(因为standalone模式是Spark自身的资源管理方式)，此外yarn和local模式允许的内存比standalone模式要大，因此可能性能要好点
此外，mesos模式我没有运行过，因此也不是很清楚，就省略不讲了。。。。。
最后的最后，用一张图将我所理解的Spark的架构表示出来，由于画图水平有限，因此该图不能将我所有的理解很完美地表现出来，只有待日后进行完善了

其中DAGScheduler部分，TaskScheduler部分，BlockManager部分指的就是前面讲述这三者的内容时所画的图，因为能力有限，所以不能将其一一画出，不过借助前面的内容加上此图，应该可以对Spark的架构进行比较基础的理解了吧
Spark这部分基本上讲完了，下篇博文中我将进行一些收尾工作，当做是对自己学习Spark的一个总的回顾吧。。。
未完待续。。。