首先區分下AppMaster和Driver，任何一個yarn上運行的任務都必須有一個AppMaster，而任何一個Spark任務都會有一個Driver，Driver就是運行SparkContext(它會構建TaskScheduler和DAGScheduler)的進程，當然在Driver上你也可以做很多非Spark的事情，這些事情只會在Driver上面執行，而由SparkContext上牽引出來的代碼則會由DAGScheduler分析，并形成Job和Stage交由TaskScheduler，再由TaskScheduler交由各Executor分布式執行。

所以Driver和AppMaster是兩個完全不同的東西，Driver是控制Spark計算和任務資源的，而AppMaster是控制yarn app運行和任務資源的，只不過在Spark on Yarn上，這兩者就出現了交叉，而在standalone模式下，資源則由Driver管理。在Spark on Yarn上，Driver會和AppMaster通信，資源的申請由AppMaster來完成，而任務的調度和執行則由Driver完成，Driver會通過與AppMaster通信來讓Executor的執行具體的任務。

client與cluster的區別

對于yarn-client和yarn-cluster的唯一區別在于，yarn-client的Driver運行在本地，而AppMaster運行在yarn的一個節點上，他們之間進行遠程通信，AppMaster只負責資源申請和釋放(當然還有DelegationToken的刷新)，然后等待Driver的完成;而yarn-cluster的Driver則運行在AppMaster所在的container里，Driver和AppMaster是同一個進程的兩個不同線程，它們之間也會進行通信，AppMaster同樣等待Driver的完成，從而釋放資源。

Spark里AppMaster的實現：org.apache.spark.deploy.yarn.ApplicationMaster Yarn里MapReduce的AppMaster實現：org.apache.hadoop.mapreduce.v2.app.MRAppMaster

在yarn-client模式里，優先運行的是Driver(我們寫的應用代碼就是入口)，然后在初始化SparkContext的時候，會作為client端向yarn申請AppMaster資源，當AppMaster運行后，它會向yarn注冊自己并申請Executor資源，之后由本地Driver與其通信控制任務運行，而AppMaster則時刻監控Driver的運行情況，如果Driver完成或意外退出，AppMaster會釋放資源并注銷自己。所以在該模式下，如果運行spark-submit的程序退出了，整個任務也就退出了

在yarn-cluster模式里，本地進程則僅僅只是一個client，它會優先向yarn申請AppMaster資源運行AppMaster，在運行AppMaster的時候通過反射啟動Driver(我們的應用代碼)，在SparkContext初始化成功后，再向yarn注冊自己并申請Executor資源，此時Driver與AppMaster運行在同一個container里，是兩個不同的線程，當Driver運行完畢，AppMaster會釋放資源并注銷自己。所以在該模式下，本地進程僅僅是一個client，如果結束了該進程，整個Spark任務也不會退出，因為Driver是在遠程運行的

下面從源碼的角度看看SparkSubmit的代碼調用(基于Spark2.0.0)：

代碼公共部分

SparkSubmit#main =>

val appArgs = new SparkSubmitArguments(args) 
appArgs.action match { 
  // normal spark-submit 
  case SparkSubmitAction.SUBMIT => submit(appArgs) 
  // use --kill specified 
  case SparkSubmitAction.KILL => kill(appArgs) 
  // use --status specified 
  case SparkSubmitAction.REQUEST_STATUS => requestStatus(appArgs) 
} 

SparkSubmit的main方法是在用戶使用spark-submit腳本提交Spark app的時候調用的，可以看到正常情況下，它會調用SparkSubmit#submit方法

SparkSubmit#submit =>

val (childArgs, childClasspath, sysProps, childMainClass) = prepareSubmitEnvironment(args) 
// 此處省略掉代理賬戶，異常處理，提交失敗的重提交邏輯，只看主干代碼 
runMain(childArgs, childClasspath, sysProps, childMainClass, args.verbose) 

在submit方法內部，會先進行提交環境相關的處理，調用的是SparkSubmit#prepareSubmitEnvironment方法，之后利用拿到的mainClass等信息，再調用SparkSubmit#runMain方法來執行對于主函數

SparkSubmit#prepareSubmitEnvironment =>

主干相關的代碼如下：

// yarn client mode 
if (deployMode == CLIENT) { 
  // client 模式下，運行的是 --class 后指定的mainClass，也即我們的代碼 
  childMainClass = args.mainClass 
  if (isUserJar(args.primaryResource)) { 
    childClasspath += args.primaryResource 
  } 
  if (args.jars != null) { childClasspath ++= args.jars.split(",") } 
  if (args.childArgs != null) { childArgs ++= args.childArgs } 
} 
 
// yarn cluster mode 
val isYarnCluster = clusterManager == YARN && deployMode == CLUSTER 
if (isYarnCluster) { 
  // cluster 模式下，運行的是Client類 
  childMainClass = "org.apache.spark.deploy.yarn.Client" 
  if (args.isPython) { 
    childArgs += ("--primary-py-file", args.primaryResource) 
    childArgs += ("--class", "org.apache.spark.deploy.PythonRunner") 
  } else if (args.isR) { 
    val mainFile = new Path(args.primaryResource).getName 
    childArgs += ("--primary-r-file", mainFile) 
    childArgs += ("--class", "org.apache.spark.deploy.RRunner") 
  } else { 
    if (args.primaryResource != SparkLauncher.NO_RESOURCE) { 
      childArgs += ("--jar", args.primaryResource) 
    } 
    // 這里 --class 指定的是AppMaster里啟動的Driver，也即我們的代碼 
    childArgs += ("--class", args.mainClass) 
  } 
  if (args.childArgs != null) { 
    args.childArgs.foreach { arg => childArgs += ("--arg", arg) } 
  } 
} 

在 prepareSubmitEnvironment 里，主要負責解析用戶參數，設置環境變量env，處理python/R等依賴，然后針對不同的部署模式，匹配不同的運行主類，比如： yarn-client>args.mainClass，yarn-cluster>o.a.s.deploy.yarn.Client

SparkSubmit#runMain =>

骨干代碼如下

try { 
  mainClass = Utils.classForName(childMainClass) 
} catch { 
  // ... 
} 
val mainMethod = mainClass.getMethod("main", new Array[String](0).getClass) 
try { 
  // childArgs就是用戶自己傳給Spark應用代碼的參數 
  mainMethod.invoke(null, childArgs.toArray) 
} catch { 
  // ... 
} 

在runMain方法里，會設置ClassLoader，根據用戶代碼優先的設置(spark.driver.userClassPathFirst)來加載對應的類，然后反射調用prepareSubmitEnvironment方法返回的主類，并調用其main方法

從所反射的不同主類，我們來看看具體調用方式的不同：

對于yarn-cluster

o.a.s.deploy.yarn.Client#main =>

val sparkConf = new SparkConf  
val args = new ClientArguments(argStrings) 
new Client(args, sparkConf).run() 

在Client伴生對象里構建了Client類的對象，然后調用了Client#run方法

o.a.s.deploy.yarn.Client#run =>

this.appId = submitApplication() 
// report application ... 

run方法核心的就是提交任務到yarn，其調用了Client#submitApplication方法，拿到提交完的appID后，監控app的狀態

o.a.s.deploy.yarn.Client#submitApplication =>

try { 
  // 獲取提交用戶的Credentials，用于后面獲取delegationToken 
  setupCredentials() 
  yarnClient.init(yarnConf) 
  yarnClient.start() 
 
  // Get a new application from our RM 
  val newApp = yarnClient.createApplication() 
  val newAppResponse = newApp.getNewApplicationResponse() 
  // 拿到appID 
  appId = newAppResponse.getApplicationId() 
  // 報告狀態 
  reportLauncherState(SparkAppHandle.State.SUBMITTED) 
  launcherBackend.setAppId(appId.toString) 
 
  // Verify whether the cluster has enough resources for our AM 
  verifyClusterResources(newAppResponse) 
 
  // 創建AppMaster運行的context，為其準備運行環境，java options，以及需要運行的java命令，AppMaster通過該命令在yarn節點上啟動 
  val containerContext = createContainerLaunchContext(newAppResponse) 
  val appContext = createApplicationSubmissionContext(newApp, containerContext) 
 
  // Finally, submit and monitor the application 
  logInfo(s"Submitting application $appId to ResourceManager") 
  yarnClient.submitApplication(appContext) 
  appId 
} catch { 
  case e: Throwable => 
    if (appId != null) { 
      cleanupStagingDir(appId) 
    } 
    throw e 
} 

在 submitApplication 里完成了app的申請，AppMaster context的創建，***完成了任務的提交，對于cluster模式而言，任務提交后本地進程就只是一個client而已，Driver就運行在與AppMaster同一container里，對于client模式而言，執行 submitApplication 方法時，Driver已經在本地運行，這一步就只是提交任務到yarn而已

o.a.s.deploy.yarn.Client#createContainerLaunchContext

val appStagingDirPath = new Path(appStagingBaseDir, getAppStagingDir(appId)) 
// 非pySpark時，pySparkArchives為Nil 
val launchEnv = setupLaunchEnv(appStagingDirPath, pySparkArchives) 
// 這一步會進行delegationtoken的獲取，存于Credentials，在AppMasterContainer構建完的***將其存入到context里 
val localResources = prepareLocalResources(appStagingDirPath, pySparkArchives) 
 
val amContainer = Records.newRecord(classOf[ContainerLaunchContext]) 
// 設置AppMaster container運行的資源和環境 
amContainer.setLocalResources(localResources.asJava) 
amContainer.setEnvironment(launchEnv.asJava) 
// 設置JVM參數 
val javaOpts = ListBuffer[String]() 
javaOpts += "-Djava.io.tmpdir=" + tmpDir 
// other java opts setting... 
 
// 對于cluster模式，通過 --class 指定AppMaster運行我們的Driver端，對于client模式則純作為資源申請和分配的工具 
val userClass = 
  if (isClusterMode) { 
    Seq("--class", YarnSparkHadoopUtil.escapeForShell(args.userClass)) 
  } else { 
    Nil 
  } 
// 設置AppMaster運行的主類 
val amClass = 
  if (isClusterMode) { 
    Utils.classForName("org.apache.spark.deploy.yarn.ApplicationMaster").getName 
  } else { 
    // ExecutorLauncher只是ApplicationMaster的一個warpper 
    Utils.classForName("org.apache.spark.deploy.yarn.ExecutorLauncher").getName 
  } 
 
val amArgs = 
  Seq(amClass) ++ userClass ++ userJar ++ primaryPyFile ++ primaryRFile ++ 
    userArgs ++ Seq( 
      "--properties-file", buildPath(YarnSparkHadoopUtil.expandEnvironment(Environment.PWD), 
        LOCALIZED_CONF_DIR, SPARK_CONF_FILE)) 
 
// Command for the ApplicationMaster 
val commands = prefixEnv ++ Seq( 
    YarnSparkHadoopUtil.expandEnvironment(Environment.JAVA_HOME) + "/bin/java", "-server" 
  ) ++ 
  javaOpts ++ amArgs ++ 
  Seq( 
    "1>", ApplicationConstants.LOG_DIR_EXPANSION_VAR + "/stdout", 
    "2>", ApplicationConstants.LOG_DIR_EXPANSION_VAR + "/stderr") 
 
val printableCommands = commands.map(s => if (s == null) "null" else s).toList 
// 設置需運行的命令 
amContainer.setCommands(printableCommands.asJava) 
 
val securityManager = new SecurityManager(sparkConf) 
// 設置應用權限 
amContainer.setApplicationACLs( 
      YarnSparkHadoopUtil.getApplicationAclsForYarn(securityManager).asJava) 
// 設置delegationToken 
setupSecurityToken(amContainer) 

對于yarn-client

args.mainClass =>

在我們的Spark代碼里，需要創建一個SparkContext來執行Spark任務，而在其構造器里創建TaskScheduler的時候，對于client模式就會向yarn申請資源提交任務，如下

// 調用createTaskScheduler方法，對于yarn模式，master=="yarn" 
val (sched, ts) = SparkContext.createTaskScheduler(this, master, deployMode) 
_schedulerBackend = sched 
_taskScheduler = ts 
// 創建DAGScheduler 
_dagScheduler = new DAGScheduler(this) 

SparkContext#createTaskScheduler =>

這里會根據master匹配不同模式，比如local/standalone/yarn，在yarn模式下會利用ServiceLoader裝載YarnClusterManager，然后由它創建TaskScheduler和SchedulerBackend，如下：

// 當為yarn模式的時候 
case masterUrl => 
  // 利用當前loader裝載YarnClusterManager，masterUrl為"yarn" 
  val cm = getClusterManager(masterUrl) match { 
    case Some(clusterMgr) => clusterMgr 
    case None => throw new SparkException("Could not parse Master URL: '" + master + "'") 
  } 
  try { 
    // 創建TaskScheduler，這里masterUrl并沒有用到 
    val scheduler = cm.createTaskScheduler(sc, masterUrl) 
    // 創建SchedulerBackend，對于client模式，這一步會向yarn申請AppMaster，提交任務 
    val backend = cm.createSchedulerBackend(sc, masterUrl, scheduler) 
    cm.initialize(scheduler, backend) 
    (backend, scheduler) 
  } catch { 
    case se: SparkException => throw se 
    case NonFatal(e) => 
      throw new SparkException("External scheduler cannot be instantiated", e) 
  } 

YarnClusterManager#createSchedulerBackend

sc.deployMode match { 
  case "cluster" => 
    new YarnClusterSchedulerBackend(scheduler.asInstanceOf[TaskSchedulerImpl], sc) 
  case "client" => 
    new YarnClientSchedulerBackend(scheduler.asInstanceOf[TaskSchedulerImpl], sc) 
  case  _ => 
    throw new SparkException(s"Unknown deploy mode '${sc.deployMode}' for Yarn") 
} 

可以看到yarn下的SchedulerBackend實現對于client和cluster模式是不同的，yarn-client模式為YarnClientSchedulerBackend，yarn-cluster模式為 YarnClusterSchedulerBackend，之所以不同，是因為在client模式下，YarnClientSchedulerBackend 相當于 yarn application 的client，它會調用o.a.s.deploy.yarn.Client#submitApplication 來準備環境，申請資源并提交yarn任務，如下：

val driverHost = conf.get("spark.driver.host") 
val driverPort = conf.get("spark.driver.port") 
val hostport = driverHost + ":" + driverPort 
sc.ui.foreach { ui => conf.set("spark.driver.appUIAddress", ui.appUIAddress) } 
 
val argsArrayBuf = new ArrayBuffer[String]() 
argsArrayBuf += ("--arg", hostport) 
 
val args = new ClientArguments(argsArrayBuf.toArray) 
totalExpectedExecutors = YarnSparkHadoopUtil.getInitialTargetExecutorNumber(conf) 
// 創建o.a.s.deploy.yarn.Client對象 
client = new Client(args, conf) 
// 調用submitApplication準備環境，申請資源，提交任務，并把appID保存下來 
// 對于submitApplication，前文有詳細的分析，這里與前面是一致的 
bindToYarn(client.submitApplication(), None) 

而在 YarnClusterSchedulerBackend 里，由于 AppMaster 已經運行起來了，所以它并不需要再做申請資源等等工作，只需要保存appID和attemptID并啟動SchedulerBackend即可.