要在另一台服务器上执行spark-submit，您可以使用Airflow的SparkSubmitOperator。该操作符允许您在Airflow任务中执行spark-submit命令。

下面是一个示例代码，演示如何使用SparkSubmitOperator在另一台服务器上执行spark-submit:

from airflow import DAG
from airflow.contrib.operators.spark_submit_operator import SparkSubmitOperator
from datetime import datetime

default_args = {
    'owner': 'airflow',
    'start_date': datetime(2021, 1, 1),
}

dag = DAG(
    'spark_submit_example',
    default_args=default_args,
    schedule_interval='@once'
)

spark_submit_task = SparkSubmitOperator(
    task_id='spark_submit_task',
    application='path/to/your/spark/application.py',
    conn_id='spark_default',
    java_class='your.spark.application.ClassName',
    total_executor_cores='2',
    executor_cores='1',
    executor_memory='2g',
    num_executors='2',
    name='spark_submit_example',
    verbose=False,
    driver_memory='1g',
    application_args=['arg1', 'arg2'],
    dag=dag
)

在这个示例中，您需要将application参数设置为您的Spark应用程序脚本的路径。conn_id参数是指向您的Spark集群的连接ID。您可以在Airflow的连接页面中创建一个新的连接，或者使用默认的spark_default连接。

其他参数如java_class，total_executor_cores，executor_cores，executor_memory，num_executors，name，verbose，driver_memory和application_args需要根据您的需求进行调整。

将这个代码保存为.py文件并将其放置在Airflow的dags文件夹中。如果您已经启动了Airflow调度程序，它将自动加载并执行该任务。您还可以使用Airflow的命令行工具手动触发和监视任务的执行。

请确保您的Airflow和Spark集群之间可以进行网络通信，并且您在Airflow服务器上安装了与Spark版本兼容的pyspark包。

这就是如何使用Airflow的SparkSubmitOperator在另一台服务器上执行spark-submit的解决方案。