mapReduce在Hadoop2.x中各部分简介：
ResourceManager，RM ：管理集群上资源使用的资源管理器：
Application Master ,AM ：管理集群上运行任务声明周期的应用管理器：
应用服务器MA和资源管理器RM协商集群的计算资源：容器（Container，每个容器都有特定的内存上线），在这些容器上运行特定应用程序的进程，容器由集群节点上运行的节点管理器Node Manager监视，以确保应用程序使用的资源不会超过分配给他的资源。
NodeMagnager：管理每个节点上的资源和任务，主要有两个作用，定期向RM汇报该节点的资源使用情况和各个Container的运行状态；接收并处理AM任务的启动停止等请求。
应用的每一个MapReduce作业有一个专用的应用Master,他运行在应用的运行期间，他和MapReduce任务在任务容器（Container）中运行，这些容器由资源管理器ResourceManager分配并由节点管理器NodeManager进行管理。
MRAppMaster负责管理MapReduce作业的生命周期，包括作业管理、资源申请与再分配、Container启动与释放、作业恢复等。
作业提交：Job的submit（）方法创建一个内部的JobSubmiter实例，并且调用其submitJobInternal()每秒轮询作业的进度，如果发现自从上次报告后有改变，，便把进度报告到控制台，作业完成后，如果成功就显示作业计数器，如果失败将导致作业失败的错误记录到控制台。
mapReduceq启动运行全流程具体如下：
第一步：
向资源管理器（ResourceManager）请求，要运行一个程序。中获取新的作业ID（jobId），以及程序资源存储路径
第二步
ResourceManager检查作业的输出说明，然后返回一个存放程序资源的路径以及jobId，这个路径在hdfs的tmp文件夹中，如果程序中没有指定输出目录或指定的输出目录已经存在，作业就不提交，错误返回给MapReduce程序
就是这个路径存放程序资源，包括切边信息，程序的jar包，job.xml配置文件等。
第三步
客户端去计算作业的输入分片，把job对象序列化为job.XML配置文件，里面全是 key，value。并把切边序列化成文件保存到hdfs的资源路径下，如果无法计算，比如因为输入路径不存在，作业就无法提交，将错误返回给Mapreduce程序
作业客户端检查作业的输出说明，在计算输入分片
第四步：
将作业资源（包括JAR、配置和分片信息）复制到HDFS，默认保存10份。
第五步：
通过调用资源管理器上的submitApplication()方法提交作业。
第六步
资源管理器收到调用它的submitApplication（）消息后，如果容器不够，任务会现在等待队列中等待，之后便将请求传递给调度器（Schedule），调度器分配一个容器，然后资源管理器在节点管理器的管理下在容器中启动应用程序master进程也就是MRAPPMaster。
MapReduce作业的application master是一个Java应用程序，它的主类是MRAPPMaster他对作业进行初始化，通过创建多个薄记对象以保持对作业进度的跟踪，因为他将接受来自任务的进度和完成报告
第七步
MRAPPMaster根据切边信息，获知要启动多少个mapTask，向ResourceManager请求容器
第八步
一旦资源管理器的调度器为任务分配了容器，MRAPPMaster(application master) 就通过与节点管理器NodeManager通信来启动容器向已获得容器的mapTask或reduceerTask发从启动命令，也就是主类为YarnChild程序
注：有的也叫application master
具体如下：附着心跳信息的请求包括每个map任务的数据本地化信息，特别是输入片所在的主机和相应的机架信息，调度器使用这些信息来做调度决策，利用心跳的返回值与其进行通信，理想情况下，将他任务分配到数据本地化的节点，但是如果不能这样做，调度器就会相对于非本地化的分配优先使用机架本地化的分配。
任务由主类为YarnChild的java程序执行，它在运行之前，首先将任务需要的资源本地化，包括作业的配置、JAR文件、和所有来自分布式HDFS缓存的文件
最后运行map任务或reduce任务
在YARN下运行时，任务每三秒钟通过Umbilical接口向application master汇报进度和状态（包括技术器），作为作业的汇聚视图（aggregate view）。过程如图：客户端每秒钟（可以设置）查询一次application master已接收进度更新，通常会向用户显示。
mappReduce运行流程图
