请详述Spark核心执行流程，如何使用SparkSubmit在客户端提交job后如何通过Standalone模式获取资源并执行Spark任务计算。

Spark核心执行流程：

1. 创建SparkContext：首先，SparkContext会向集群管理器（如YARN或Standalone）请求资源，并启动Driver程序。Driver程序将整个Spark应用程序的执行流程分解成不同的Stage和Task，并将它们提交给集群管理器进行分配资源和执行。

2. 读取数据：Spark应用程序从外部数据源（如HDFS、HBase、本地文件系统等）读取数据，并将它们转换成RDD。

3. 转换数据：Spark应用程序通过一系列的转换操作（如map、filter、reduceByKey等）对RDD进行处理，生成新的RDD。

4. 缓存数据：在需要反复使用某个RDD时，可以使用cache或persist方法将其持久化到内存或磁盘中，以避免重复计算。

5. 执行Action操作：最后，当需要将结果输出到外部数据源时，Spark应用程序会执行Action操作（如collect、count、saveAsTextFile等），触发整个RDD上的计算。

使用SparkSubmit在客户端提交job后如何通过Standalone模式获取资源并执行Spark任务计算：

1. 首先，需要在客户端使用SparkSubmit命令行工具提交Spark应用程序，指定应用程序的主类、运行参数、依赖库等信息。

2. 接下来，Standalone模式的集群管理器会接收到Spark应用程序的请求，根据资源需求分配Executor，并启动应用程序的Driver程序。

3. Driver程序通过SparkContext向集群管理器申请资源，包括Executor的数量、内存大小等信息。

4. 集群管理器根据资源需求分配Executor，并将Executor的地址、端口等信息返回给Driver程序。

5. Driver程序将整个Spark应用程序的执行流程分解成不同的Stage和Task，并将它们提交给Executor进行分配资源和执行。

6. 每个Executor通过TaskScheduler接收并执行Task，最终将结果返回给Driver程序。

7. Driver程序将结果输出到外部数据源，并结束整个Spark应用程序的执行。

在Standalone模式中，可以通过在SparkSubmit命令中设置--master参数来指定使用Standalone模式，并且可以设置--executor-memory、--executor-cores等参数来控制分配给Executor的资源。