1、作业的提交
Client提交Job，调用Job.submit()方法创建一个JobSubmitter实例，并调用其submitJobInternal()方法
向RM请求一个新的应用ID，用于作业ID（步骤2）；检查作业的输出说明，计算作业的输入分片，将运行作业所需要的资源（包括Jar包，配置文件，split信息）复制到以作业ID命名的目录下的共享文件系统下(步骤3)。作业Jar的副本较多（由mapreduce.client.submit.file.replication控制，默认值为10）
调用RM的submitApplication()方法提交作业(步骤4)。
2、作业的初始化
当RM收到调用它的submitApplication()消息后，便将请求传递给YARN调度器(scheduler)，scheduler分配container，然后RM在该container内启动AM进程，由NM监控(步骤5)
AM一个主类为MRAppMaster的Java应用程序，通过创建多个bookkeeping对象保持对作业进度的跟踪(步骤6)
接下来接受来自共享文件系统的、在客户端计算好的输入split(步骤7)，然后为每个输入split创建一个map任务，根据mapreduce.job.reduces创建Reduce任务对象。任务ID在此时分配。
注意：
AM必须决定如何运行构成MapReduce作业的各个任务。如果作业很小，就选择和自己在同一个JVM上运行任务。与在一个节点上顺序运行这些任务相比，当AM判断在新的container中分配和运行任务的开销大于并行运行它们的开销时，就会发生这一情况，即作为uber任务运行
那么哪些作业是小作业？默认情况下，小作业就是少于10个mapper且只有一个reduce且输入大小小于一个HDFS块的作业。
3、任务分配
如果作业不适合作为uber任务运行，那么AM就会为该作业中的map任务和reduce任务向RM请求container(步骤8)。
首先为map任务发出请求，该请求优先级要高于reduce任务的请求，这是因为所有的map任务必须在reduce的排序阶段能够启动前完成。知道有5%的map任务已经完成时，为reduce任务的请求才会发出。
4、任务运行
一旦RM的调度器为任务分配了container后，AM就通过与NM通信来启动container(步骤9a)。任务由主类为YarnChild的一个Java应用程序执行。在运行任务之前，首先将该任务需要的资源本地化，包括作业配置、Jar包以及来自分布式缓存的所有文件(步骤10)。最后，运行map任务/reduce任务(步骤11)
5、进度和状态更新
YARN中的任务将其进度和状态(包括counter)返回给AM，Client每秒(通过mapreduce.client.progressmonitor.pollinterval设置)轮询一次AM以接受最新状态
6、作业完成
除了向AM请求作业进度外，Client每5分钟(通过mapreduce.client.completion.pollinterval设置)都会通过调用waitForCompletion()来检查作业是否完成。
当AM收到作业最后一个任务已完成的通知后，便把作业的状态设置为"成功"。
最后，作业完成时，AM和container会清理工作状态，OutputCommitter的CommitJob()方法会被调用。作业信息由作业历史服务器存档，以便日后用户需要时可以查询。