MapReduce1工作机制：

工作角色：客户端、jobtracker（协调作业）、tasktracker（执行任务）。

提交资源：

1. 客户端启动一个job。
2. 客户端向jobtracker请求一个新作业，检查作业输出路径是否存在，存在则抛出异常。随后，jobtracker向客户端返回一个作业ID和资源提交路径。
3. 客户端将job所需资源（jar文件、xml文件、分片信息等）提交到指定路径（一般是HDFS共享文件系统）。
4. 客户端向jobtracker提交job。

作业调度：

5. jobtracker将提交的job放入内部的任务队列，作业调度器进行调度，初始化作业。（创建一个表示正在运行作业的对象，用来封装任务和记录信息。）
6. jobtracker的作业调度器从hdfs共享文件系统中获取客户端分片信息，创建任务执行任务列表。（map任务、reduce任务、作业清理任务等）
7. 多个tasktracker通过心跳与jobtracker进行通信，分配任务，报告是否准备接受任务，若准备好，则jobtracker分配任务给tasktracker。

运行任务：

8. tasktracker在共享文件系统中获取任务信息，实现jar文件本地化，将jar解压到工作目录，创建TaskRunner实例。
9. TaskRunner启动一个新的JVM。
10. 运行map/reduce。
11. 状态更新：tasktracker向jobtracker通过心跳发送状态，jobtracker合并后发给客户端。

MapReduce2 YARN工作机制：

工作角色：客户端、resource manager、MRAppMaster、node manager。

1. 客户端启动一个job。
2. 客户端向jobtracker请求一个新作业，随后，resource manager向客户端返回一个作业ID和资源提交路径。
3. 客户端将job所需资源（jar文件、xml文件、分片信息等）提交到指定路径（一般是HDFS共享文件系统）。
4. 客户端向jobtracker提交job。
5. resource manager通过作业调度器在node manager上创建一个容器，容器中启动MRAppMaster进程（这个进程由resource manager启动）。
6. MRAppMaster对作业进行初始化，创建多个对象进行跟踪。
7. MRAppMaster获取分片信息，每个分片创建map任务和指定的reduce任务。若作业很小，会与MRAppMaster在同一个JVM上运行（少于10个mapper且只有一个reducer输出大小小于一个hdfs块，则作为uber任务运行）。
8. 若作业很大，MRAppMaster为所有map和reduce申请容器资源。请求包括map数据本地化信息和输入分片信息等。
9. 容器分配好之后，MRAppMaster通过与node manager通信启动容器，由MRAppMaster负责分配在哪些node manager上运行map和reduce任务（YarnChilde进程）。
10. node manager获取job相关资源。
11. 运行map和reduce任务。
12. 状态更新：任务状态周期性向MRAppMaster汇报，客户端定期查询MRAppMaster获取任务状态。