YARN是资源管理调度的机制，之前一直以来和MapReduce机制合在一起，之后才分开。正是因为YARN机制单独独立出来，才使得Hadoop框架更加具有普适性。MapReduce可以处理海量离线数据，同样如果处理实时数据，换成Spark，Storm即可，不用重新部署集群，因为资源管理调度YARN是共用的。
当提交一个job，YARN的资源调度如下图所示：
YARN有两个比较重要的组成，Resource Manager和Node Manager，执行hadoop jar cn.darren.hadoop.mr.wordcount.WCRunner这条指令之后，会产生一个RunJar的进程，向RM申请资源，RM会返回job相关资源提交的路径和本Job产生的ID。进而RunJar提交资源到staging-dir路径下面，这在HDFS中，提交完向RM汇报提交结果。RM会将本job加入任务队列，其中RM和NM之间采用“心跳机制”，NM如果觉得自己有空闲，就可以去RM的任务队列领取任务。Node Manager接收到分配任务后，会分配运行的资源容器，有点类似于虚拟机，包括文件资源、CPU资源、内存资源等，业务是在里面跑的。但是YARN并不能启动MapReduce内部的逻辑，所以这时候会启动MRAppMaster，这是用来操作MapReduce的，然后它就会向RM进行注册，比如在哪个节点运行，什么标识等等，同样也会请求一些信息，比如分配的资源都在哪些节点上。然后MRAppMaster就会启动map任务进程，启动起来的进程叫做yarnChild，map执行完之后，会启动Reduce任务进程。MRAppMaster当job执行完后，会向RM注销自己。（map task和yarn task都叫做yarnChild）
总结一下：
在YARN框架中，起监控作用的是Resource Manager，用来监控Node Manager，它们都是节点，也就是进程。
在MapReduce框架中，起监控作用的是MRAppMaster，用来监控yarnChild，它们都是动态产生的进程。
YARN提交job的源码流程如图所示：
最后，将YARN机制的整个运行过程用一张图作为总结，可以看清其总的流程：
在yarn中有如下几个概念：
- ResourceManager
- NodeManager
- Secheduler
- ApplicationManager
- MRAppMaster
- Container
ResourceManager和NodeManager对应实体的物理节点，分别映射到yarn的主节点和计算节点。
1、ResourceManager
ResourceManager节点的功能由Secheduler和ApplicationManager协调完成。
其中ApplicationManager职责如下
- 负责接收客户端提交的job
- 判断启动该job的MRAppMaster所需的资源
- 监控MRAppMaster的状态，在其失败的时候重启MRAppMaster
Secheduler负责仅仅提供一个调度算法调度ApplicationManager提交的任务，他不提供失败重启和任何监控功能。调度算法可以自定义。yarn针对不同的场景提供了三种Secheduler实现：FIFO Scheduler ，Capacity scheduler，Fair Scheduler（请参照调度器详解）。
2、NodeManager
NodeManager对应集群中的计算节点，但是他的功能仅仅只是抽象本节点的资源(如cpu，内存，磁盘，网络)并且定时向ResourceManager的Secheduler汇报。
Container是一组资源的集合，一个container一般用来执行一个task。
MRAppMaster是job的生命周期的管理者，负责整个job执行过程的监控。
前面提到ApplicationManager会判断启动MRAppMaster所需的资源，之后提交给Secheduler，Secheduler将这些资源封装成一个Container，然后根据调度算法在某一个NodeManager上启动MRAppMaster(当然它会消耗掉该NodeManager的资源)。
MRAppMaster启动之后会计算job所需要的资源，并且向Secheduler申请这些资源，NodeManager分配完成这些任务的container之后，会由MRAppMaster来监控这些container的状态，如果失败就回收资源重新申请，如果成功就释放资源，当任务执行完成之后汇报Secheduler，Secheduler回收资源并且向ResourceManager返回执行结果，整个任务处理完毕。
