在hadoop1.0版本以前我們的Mapreduce是被當作資源調度和計算框架來使用的，成為了hadoop運行生態圈的瓶頸，所以在hadoop2.0版本以上引入了yarn的概念，使Mapreduce完全成為分布式計算框架，而Yarn成為了分布式資源調度。雖然mapreduce處理速度很慢，IO操作會很多，不過這是我們步入Spark的必經之路，也是了解大數據生態圈不可缺少的成分。
下面就是針對job提交，yarn所做出的反應。
（我們的jar包中包括了許許多多的信息，其中重要的是：Mapper、Reducer、ApplicationMaster）
1.將job提交給ResourcemManager（后面用RM代替），RM會給他分配一個jobID
2.RM會給客戶端返回一個JobID和路徑的信息
3.客戶端根據這個信息，將jar包存儲在HDFS中
4.提交job給RM，RM中存在FIFO機制，如果前面有正在運行的Job，則放入FIFO進行等待，直到輪到此Job
5.申請開啟AM（ApplicationMaster），RM會找到一個NM（NodeManager）給他continer，用來啟動AM，ND開啟AM（其實5和6之間存在一種AM向RM注冊的行為，這里不做太多講解，只需懂基本流程即可）
6. AM向RM申請Task的執行資源，用來運行Task
7.RM根據AM的信息和每個節點的資源利用情況進行Task的資源分配
8.AM去每個Task所在的節點上通知NM去開啟此continer
（后續一點步驟：
9.task啟動會跟AM進行注冊，AM時刻監控Task的運行情況，知道收到Task運行完成為止）
以上便是Mapreduce的job提交流程。