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 SPARKMASTERIP 和 SPARKMASTERPORT 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 .sb∈⋆t-m∗er.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-⊂mit 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。