yarn:只做运算资源的分配和调度，不参与用户程序内部工作，
正因为如此，我们的yarn可以成为一个通用的调度平台，
所以，包括我们的mr程序、storm程序、spark程序都可以运行在我们的yarn集群上
mapreduce和yarn的交互过程：
1、Client向Resource Manager请求运行一个程序
2、Resource Manager给Client返回一个jobid和一个用于提交资源的路径
eg：hdfs://..../.stage/
3、提交job资源到指定的路径
eg：将一些job.xml\job.jar等文件提交到HDFS路径，例如：.../.stage/jobid/job.xml
.../.stage/jobid/job.jar
4、资源提交完毕返回给Resource Manager
5、Resource Manager初始化任务信息，加入调度队列
6、相对空闲的Node Manger领到任务
7、node manager根据任务信息创建container 并加载第三步中提交的资源文件
容器中含有程序运行的资源文件+RAM+Vcores
8、client发送一个shell命令到nodeManager 来启动我们的MrAppMaster
9、Node Manager向Resource Manager请求运算节点
10、MrAppMaster根据代码中设置数量 启动一定数量的maptask
11、MrAppMaster根据代码中设置数量 启动一定数量的reducetask
12、全部任务处理完毕之后，向ResourceManager注销自己
因此与老的MapReduce相比：
YARN把资源管理与任务调度的工作分离开来，减少了MapReduce中Job Tracker的压力。
