在大数据生态环境中，yarn主要有两个作用：资源管理和程序调度。
二、Yarn的组成 主要由ResourceManager、NodeManager、ApplicationMaster 和 Container 等组件
构成。
（1）ResourceManager作用：
1）处理客户端请求；2）监控NodeManager，对各个NodeManager上的资源进行统一管理和调度；3）给ApplicationMaster分配空闲的Container运行并监控其运行状态(Scheduler来完成)； 主要组成：资源调度器(Sheduler)和应用程序管理器(ApplicationManager)。
（2）NodeManager作用：
1）负责管理单个节点上的资源；2）定时的向RM汇报本节点上的资源使用情况和Container的运行状态。
（3）ApplicationMaster作用：
1）负责整个任务执行的监控，可以向RM汇报任务执行的状态，重启失败任务等；2）向RM为应用程序申请资源并分配给内部的任务。
（4）Container
可以理解为Yarn 中的资源抽象，封装了某个节点上的多维度资源，如内存、cpu、硬盘、网络等，AM向RM申请资源时，RM返回的资源就是用Container表示的。
1.作业提交
第 1 步：Client 调用 job.waitForCompletion 方法，向整个集群提交 MapReduce 作业，并向 RM 申请一个作业 id。
第 2 步：RM 给 Client 返回该 job 资源的提交路径和作业 id。（提交路径：hdfs路径）
第 3步：Client 提交 jar 包、切片信息和配置文件到指定的资源提交路径。（也就是将这些资源提交到返回的hdfs上）
第 4 步：Client 提交完资源后，向 RM 申请运行 MrAppMaster。（MrAppMaster其实是MapReduce的ApplicationMaster实现，它使得MapReduce计算框架可以运行于YARN之上）
2.作业初始化
第 5 步：当 RM 收到 Client 的请求后，ResourceManager(RM)中的ApplicationManager(AMG)将该 job 添加到容量调度器Scheduler中；
第 6 步：scheduler返回给AMG某一个空闲的 NodeManager(NM);
第 7 步：AMG调用scheduler分配给它的NM，由该 NM 创建 Container，并产生 MRAppmaster(负责监控任务，可以查看任务的执行状态)。
第 8 步：ApplicationMaster下载客户端提交的资源文件(切片信息等)，根据切片信息生成Task。
第 9 步：ApplicationMaster向RM注册。
3.任务分配
第 10 步：ApplicationMaster向 RM (Scheduler)申请运行多个 MapTask 任务资源。
第 11步：RM 将运行 MapTask 任务分配给空闲的 NodeManager，NodeManager
分别领取任务并创建容器(一个或者多个，一个Task分配一个Container)。
4.任务执行
第 12 步：ApplicationMaster通知所有接收到Task的NodeManager启动计算，NodeManager 分别启动 MapTask，MapTask 对数据分区排序；
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，结果返回给MR(MrAppMaster)，之后返回给AMG，再返回给Client。最后，Applicationmaster会向 AMG申请注销自己，整个job运行结束。