这些文件在job.submit()后生成
YarnChild
将结果写入HDFS上保存
NodeManager
Task
Container
7 创建容器Container
2.合并后再Merge归并排序
ResourceManager
Capacity（调度器）
RecordWriter
cpu+ram+jar
0
10 领取到任务，创建容器
1.分区、排序后溢出到文件
MapTask
默认TextInputFormat
YarnRunner
cpu+ramMRAppmaster
5 将用户的请求初始化成一个Task
12 向RM申请2个容器，运行ReduceTask程序
14 程序运行完后，MR会向RM注销自己
1
HashPartitioner分区Key.compareTo排序Combiner合并
13 Reduce向Map获取相应分区的数据（reduce拉取map中的数据）
分区、排序、合并
6 领取到Task任务
11 发送程序启动脚本
hdfs://bigdata/wc.jar
Part-r-000000文件
hdfs://…./.staging/application_id
Job.split Job.xmlwc.jar
3 提交job运行所需资源
3.分组
ReduceTask0
main(){job.waitForCompletion();}
4 资源提交完毕，申请运行mrAppMaster
OutPutFormat
将Mr程序从HDFS上提交到客户端所在的节点
默认TextOutputFormat
hadoop作业提交过程（包含hdfs、yarn、mapreduce）
outputCollector
4.一次读取一组
InputFormat
分区、排序、合并简单说明：
Mapper
1.将数据下载到ReduceTask本地磁盘
1 申请一个Application
wc.jar
ReduceTask1
9 申请运行MapTask容器
2 Application资源提交路径hdfs://…./.staging以及application_id
2.合并文件，归并排序
8 下载job资源到本地
RecorderReader
