以MapReduce為例，提交一個MapReduce application的大致流程如下，其中Resource Manager簡寫為RM，Node Manager簡寫為NM，Application Master簡寫為AM。
提交application大致流程
（1）首先client里執行一個MapReduce程序，這個程序運行在client端的JVM里，在main方法中最后有一個job.waitForCompletion(true)方法，當執行這個方法后會觸發job.submitJob方法，准備向RM提交一個application。
（2）RM接受到請求后，會為這個application生成一個application +id編號，並且client會檢查輸出路徑是否已存在，輸入輸出路徑信息是否齊全。不管檢查有問題與否，RM都會給client端返回信息，其包括運行這個job所需要的資源，如運行在哪個NM上，需要的container信息。
一個簡單的MapReduce程序中application+id編號示例，測試發現需要hadoop jar運行才顯示：
（3）如果返回的信息提示路徑已存在，或者job運行的參數不夠，會退出程序，否則可以繼續執行這個job，這個時候client端會將程序的jar包，以及運行所需配置信息，以及分片信息發送到HDFS（這些文件保存的上級目錄即前面生成的application+id編號，默認會拷貝10份，如果只有3個節點則多余的7份會刪除），讓jar包和配置信息等保存在各個datanode上，這對分布式集群計算拉取資源來說是有利的，比直接從client端拉取資源會更加高效。
（4）前面准備沒問題后，client端向RM提交這個application。RM收到提交后，調度器scheduler將會為它分配container資源，application manager將創建application master。
（5）RM在接受到application提交后，根據資源調度算法計算的結果（包括運行job所在的節點在哪，運行所需要的資源container是多少），會先在計算得到的某個NM上啟動一個container，用於啟動AM，這個AM是運行MapReduce job前的准備，它啟動后后續請求資源就在client端和AM之間進行了。
（6）在客戶端執行一個MapReduce程序時，能看到Map和Reduce任務執行的進度百分比，這個是AM在執行initialize job后創建的薄記對象完成的，這個薄記對象會收集運行在分布式各個節點上任務的進度，匯總后定時發送給client。
（7）在執行MapReduce程序時，會先執行Map任務然后再執行Reduce任務（默認是執行Map任務5%后再執行Reduce任務），其中Map任務的個數是由分片數決定的，即通過InputFormat的getSplit方法得到的分片數，這個分片的信息需要從HDFS獲取，里面保存的是指向實際分片信息的引用。而Reduce任務的個數則是程序中指定的，通過setNumReduces(num)來指定。
（8）MapReduce任務先執行Map task，先以Map task為例，后面Reduce task執行流程也可參考。當准備執行Map task時，AM會向RM繼續發送請求，即resource-request請求，請求獲取計算的NM和container信息。
（9）得到返回信息后，AM會給NM發送container-launch-specification信息（包含AM和NM交流所需要的資料），在NM上啟動container，並准備執行task程序，container會將task運行的進度、狀態等信息通過 application-specific協議發送給ApplicationMaster，也是通過application-specific協議client通過AM獲取到了task運行的進度和狀態信息。
（10）執行task程序部分，是在一個叫做Yarn Child的主類java application中進行的，這個類在執行task程序之前，會向HDFS獲取jar包和配置信息。
（11）在獲取到HDFS的jar包和配置信息后就開始運行task，如果是Map task則輸出的key-value對會保存到各自的分區中去，如果是Reduce task則會從對應的map分區中拉取數據准備進行合並、排序和分組，最后執行reduce分組計算並輸出到HDFS。不管是Map task還是Reduce Task其都會向AM上報執行情況。
（12）最后執行完MapReduce任務后，保存在分區中的Map輸出信息將刪除，此外保存在HDFS中的jar包信息、配置信息和分片信息也將刪除。
以上為MapReduce提交job到yarn的過程，后續再補充完善。
參考博文：
（1）《hadoop核心權威指南第四版》