Spark的集群deploy模式主要有三种：local模式、standalone模式和分布式模式。

1. local模式

在local模式中，Spark运行在本地机器上，使用本地的CPU和内存资源。这种模式适合于在开发和测试阶段使用，不需要连接到集群。在本地模式下，Spark将任务拆分为多个执行线程，以并行的方式在本地机器上执行。此模式非常简单，易于使用，可以通过设置环境变量`SPARK_MASTER_IP`和`SPARK_MASTER_PORT`来配置本地模式。

2. standalone模式

standalone模式是一种简单的集群模式，Spark应用程序通过Spark自带的Master进程来进行提交。在此模式下，可以将Spark应用程序部署到一个由多个独立机器组成的集群上。Master进程负责调度集群中的资源，并将任务分配给Worker进程进行执行。可以使用`./sbin/start-master.sh`命令启动Master进程，并使用`./sbin/start-worker.sh `命令启动Worker进程。通过`spark-submit`命令，将应用程序提交给Master进程进行执行。

3. 分布式模式

分布式模式是Spark最常用的部署方式，可以将Spark应用程序部署到各种分布式计算框架中，如Hadoop YARN、Apache Mesos和Kubernetes等。在此模式下，Spark应用程序将由集群管理器进行管理和调度。Spark Driver程序运行在一个被指定的节点上，该节点将负责将Spark应用程序提交给集群管理器，并通过工作节点上的Executor来执行任务。可以使用`spark-submit`命令将应用程序提交到分布式集群中。

除了以上三种常见的部署模式外，Spark还可以与其他工具和框架集成，如Hive、HBase、Flink等，以灵活地满足不同的需求。无论采用哪种部署模式，通过合理地配置集群资源和调优参数，可以实现更高效、更稳定的Spark应用程序执行。