工作机制
作业提交
第 1 步：Client 调用 job.waitForCompletion 方法，向整个集群提交 MapReduce 作业。
第 2 步：YarnRunner向ResourceManger申请一个Application。
第 3 步：RM 给 YarnRunner 返回该 job 资源的提交路径和作业 id。
第 4 步： 提交 jar 包、切片信息和配置文件到指定的资源提交路径。
第 5 步：提交完资源后，向 RM 申请运行 MrAppMaster。
作业初始化
第 6 步：当 RM 收到 Client 的请求后，初始化一个task。
第 7 步：某一个空闲的 NM 领取到该 Job。
第 8 步：该 NM 创建 Container（cpu+rm+jar），并产生 MRAppmaster。
第 9 步：下载 Client 提交的资源到本地。（Container 从 HDFS 上拷贝资源到本地）
任务分配
第 10 步：（根据切片数）MrAppMaster 向 RM 申请运行多个 MapTask 任务资源。
第 11 步：RM 将运行 MapTask 任务分配给另外的NM（多个MapTask可能在一个/多个节点上）并分别领取任务、创建容器。
任务运行
第 12 步：MR 向两个接收到任务的NodeManager 发送程序启动脚本，这两个NodeManager 分别启动 MapTask（YarnChild），对数据分区排序，持久化到磁盘。
第13步：MrAppMaster等待所有MapTask运行完毕后，向RM申请容器，运行ReduceTask。
第 14 步：ReduceTask 向 MapTask 获取相应分区的数据。
第 15 步：程序运行完毕后，MR 会向 RM 申请注销自己。
进度和状态更新
YARN 中的任务将其进度和状态(包括 counter)返回给应用管理器, 客户端每秒
(通过mapreduce.client.progressmonitor.pollinterval 设置)向应用管理器请求进度更新, 展示给用户。
作业完成
除了向应用管理器请求作业进度外, 客户端每 5 秒都会通过调用 waitForCompletion()来检查作业是否完成。
时间间隔可通过mapreduce.client.completion.pollinterval 来设置。
作业完成之后, 应用管理器和 Container 会清理工作状态。
作业的信息会被作业历史服务器存储以备之后用户核查。
基础架构
YARN 主要由 ResourceManager、NodeManager、ApplicationMaster 和 Container 等组件构成。
