要使用spark-submit提高成功率，可以尝试以下方法：
增加资源分配：为Spark作业分配更多的内存和CPU资源，以提高其执行效率。可以通过设置--master参数来指定资源需求，例如使用yarn或mesos时，可以设置--num-executors、--executor-memory和--executor-cores等参数。
合理配置Spark参数：根据作业的需求调整Spark的配置参数，例如spark.executor.instances、spark.executor.memory、spark.executor.cores、spark.sql.shuffle.partitions等。这些参数可以在提交作业时使用--conf参数进行设置。
优化数据倾斜：数据倾斜可能导致某些任务执行时间过长，从而影响整个作业的成功率。可以通过重新分区、增加Key的数量或使用Salting技术来减轻数据倾斜问题。
选择合适的部署模式：根据集群的资源情况和作业需求选择合适的部署模式，例如Standalone、YARN或Mesos。不同的部署模式具有不同的资源管理和调度能力，可以根据实际情况进行选择。
监控和调试：在作业执行过程中，使用Spark Web UI或其他监控工具实时监控作业的执行情况，以便在出现问题时及时发现并进行调整。同时，可以通过日志分析来定位和解决问题。
使用检查点机制：为Spark作业启用检查点机制，以便在发生故障时可以从上次成功执行的检查点恢复，从而避免数据丢失和提高作业的容错性。
优化代码：确保提交的Spark作业代码质量良好、逻辑正确，并尽量减少不必要的计算和内存消耗。可以使用性能分析工具对代码进行优化。
适当使用缓存：对于需要多次使用的数据集，可以使用Spark的缓存机制将其缓存到内存中，以提高后续任务的执行速度。
避免使用过时的API：尽量使用最新版本的Spark API，因为新版本通常会包含性能改进和错误修复。
提交作业前进行测试：在实际提交作业之前，可以在本地或测试环境中对作业进行测试，以确保其能够正常运行并满足预期的性能要求。