一、经典MapReduce的作业运行机制
如下图是经典MapReduce作业的工作原理：
1.1 经典MapReduce作业的实体
经典MapReduce作业运行过程包含的实体：
- 客户端，提交MapReduce作业。
- JobTracker，协调作业的运行。JobTracker是一个Java应用程序，它的主类是JobTracker。
- TaskTracker，运行作业划分后的任务。TaskTracker是Java应用程序，它的主类是TaskTracker。
- 分布式文件系统（一般为HDFS），用来在其他实体间共享作业文件。
1.2 经典MapReduce作业的运行过程
1. 作业提交
- 客户端运行MapReduce作业（步骤1）
- 向JobTracker请求一个新的作业ID，通过调用JobTracker的getNewJobId()方法获取（步骤2）
- 将运行作业所需的资源（包括作业JAR文件、配置文件和计算所得的输入分片）复制到一个以ID命名的JobTracker的文件系统中（步骤3）
- 告知JobTracker作业准备执行，通过调用JobTracker的submitJob()方法实现（步骤4）
2. 作业初始化
- JobTracker收到对其submitJob()方法的调用后，会把此调用放入一个内部队列中，交由作业调度器进行调度，并对其进行初始化（步骤5）。初始化包括创建一个表示正在运行作业的对象，用于封装任务和记录信息，以便跟踪任务的状态和进程。
- 作业调度器从共享文件系统中获取客户端已经计算好的输入分片（步骤6）。为每个分片创建一个map任务，创建的reduce任务由Job的mapred.reduce.tasks属性决定，以及新建作业创建和作业清理的任务。
3. 任务分配
- TaskTracker定期向JobTracker发生“心跳（heartbeat）”，表名TaskTracker是否存活，同时保持两者之间的通信（步骤7）
- JobTracker为TaskTracker分配任务，对于map任务，jobtracker会考虑tasktracker的网络位置，选取一个距离其输入分片文件最近的tasktracker，对于reduce任务，jobtracker会从reduce任务列表中选取下一个来执行。
4. 任务执行
- 从HDFS中把作业的JAR文件复制到TaskTracker所在的文件系统，实现JAR文件本地化，同时，TaskTracker将应用程序所需的全部文件从分布式缓存复制到本地磁盘（步骤8），并且为任务新建一个本地工作目录，把JAR文件中的内容解压到这个文件夹下，然后新建一个TaskRunner实例运行该任务。
5. 进度和状态更新
- 任务在运行时，对其进度（progress，即任务完成百分比）的保持跟踪。
6. 作业完成
- 将作业的状态设置为“成功”，并且清空JobTracker作业的工作状态，也指示TaskTracker清空作业的工作状态（如删除中间输出）。
二、Yarn上MapReduce作业运行机制
如图为Yarn中MapReduce作业的工作原理：
2.1 Yarn上的MapReduce作业的实体
主要包括以下几个实体：
- 提交MapReduce作业的客户端
- ResourceManager，Yarn资源管理器，负责协调集群上计算资源的分配
- NodeManager，Yarn节点管理器，负责启动和监视集群中机器上的计算容器（container）
- MRAPPMaster，MapReduce应用程序MRAppMaster负责协调运行MapReduce作业的任务。它和MapReduce任务在容器中运行，这些容器由资源管理器分配并由节点管理器进行管理
- 分布式文件系统，一般为HDFS，用来与其他实体间共享作业文件
2.2 Yarn中MapReduce作业的运行过程
1. 作业提交
- 客户端运行MapReduce作业（步骤1）
- 客户端向ResourceManager请求新的作业ID，ResourceManager收到请求后，返回一个ApplicationID（步骤2）
- 客户端检查作业的的输出说明，计算输入分片，并将作业运行所需的资源（包括作业jar文件、配置文件和分片信息）复制到HDFS（步骤3）
- 告知ResourceManager作业准备执行，并调用ResourceManager上的submitApplication( )方法提交作业（步骤4）
2. 作业初始化
- 资源管理器收到应用提交请求后，便将请求传递给调度器Scheduler，调度器分配一个容器，然后ResourceManager在NodeManager的管理下在容器中启动应用程序的master进程（步骤5(a)和5(b)）
- 对作业进行初始化，创建对象以保持对作业进度的跟踪（步骤6）
- MRAppMaster接受来自共享文件系统HDFS的在客户端计算的输入分片（步骤7）
3. 任务分配
- MRAppMaster为作业中的所有map任务和reduce任务向ResourceManager请求容器（步骤8）
4. 任务执行
- 一旦ResourceManager的调度器为任务分配了容器，MRAppMaster就通过与NodeManager通信来启动容器（步骤9(a)和9(b)）
- 任务在运行之前，需要将任务所需的资源本地化，包括作业的配置、JAR文件和所有来自分布式缓存的文件（步骤10）
- 运行map任务或reduce任务（步骤11）
5. 进度和状态更新
- 任务每三秒钟通过umbilical接口向ApplicationMaster汇报自己的进度和状态（包含计数器），方便ApplicationMaster随时掌握各个任务的运行状态。
6. 作业完成
- 作业完成后，ApplicationMaster和任务容器清理其工作状态，ApplicationMaster向ResourceManager注销并关闭自己。
【参考链接】
[1] Asu_PC, MR1和MR2的工作原理.
[2] Tom Wbite, 《Hadoop权威指南》
