在hadoop1.0版本以前我们的Mapreduce是被当作资源调度和计算框架来使用的，成为了hadoop运行生态圈的瓶颈，所以在hadoop2.0版本以上引入了yarn的概念，使Mapreduce完全成为分布式计算框架，而Yarn成为了分布式资源调度。虽然mapreduce处理速度很慢，IO操作会很多，不过这是我们步入Spark的必经之路，也是了解大数据生态圈不可缺少的成分。
下面就是针对job提交，yarn所做出的反应。
（我们的jar包中包括了许许多多的信息，其中重要的是：Mapper、Reducer、ApplicationMaster）
1.将job提交给ResourcemManager（后面用RM代替），RM会给他分配一个jobID
2.RM会给客户端返回一个JobID和路径的信息
3.客户端根据这个信息，将jar包存储在HDFS中
4.提交job给RM，RM中存在FIFO机制，如果前面有正在运行的Job，则放入FIFO进行等待，直到轮到此Job
5.申请开启AM（ApplicationMaster），RM会找到一个NM（NodeManager）给他continer，用来启动AM，ND开启AM（其实5和6之间存在一种AM向RM注册的行为，这里不做太多讲解，只需懂基本流程即可）
6. AM向RM申请Task的执行资源，用来运行Task
7.RM根据AM的信息和每个节点的资源利用情况进行Task的资源分配
8.AM去每个Task所在的节点上通知NM去开启此continer
（后续一点步骤：
9.task启动会跟AM进行注册，AM时刻监控Task的运行情况，知道收到Task运行完成为止）
以上便是Mapreduce的job提交流程。