在Yarn当中又分为Session，PerJob，Application，建议和推荐使用独立集群的，其中就包含PerJob 和Application，但是1.17版本的Flink已将PerJob标记为过时，并且Application可以解决PerJob的一些痛点，减轻客户端的一些压力，所以需要重点了解Yarn应用模式的作业提交流程
在这里呢，我图里面把客户端给省略了，因为客户端在这里其实就相当于说什么也不干了，那我们第一步，当我们执行一个 run-application 这种提交方式之后，我们就直接提交向Yarn的ResourceManager发起请求了，之后呢会选择一个节点NodeManager启动一个容器，容器里面运行所谓的ApplicationMaster，这个其实就是咱们的JobManager，JobManager里面有三个核心组件，第一个组件是Dispatcher 分发器，对应会启动资源管理器，就是Flink内部的ResourceManager，再之后，分发器会去启动JobMaster，启动起来之后(注意跟前面Standalone模式下的的区别)，最原始的逻辑流图(StreamGraph)是在这边JobMaster生成的，因为咱们应用模式会将客户端原先做的解析，生成图，转成作业图这些操作都省略了，现在交给JobManager里面的JobMaster来做，所以它会解析用户代码生成逻辑流图(StreamGraph)就是最原始的图，再之后会进一步进行算子链的优化生成作业图(JobGraph)，再进一步会将作业图展开生成最核心的执行流图(ExecutionGraph)，再之后就和Standalone一样了，它去请求它自己的大管家ResourceManager资源管理器，因为是Yarn模式，Flink自己并没有真正的拥有资源，我们依赖的是外部的Yarn这个平台来管理资源的，这个时候Flink内部的资源管理器就充当一个皮条客，中介，它只负责接收自己老大JobMaster请求然后它会向真正管资源的Yarn的ResourceManager要资源，这个时候Yarn会选择它的NodeManager启动容器，容器里面就运行咱们的TaskManager进程，TaskManager里面又会有一个一个根据咱们配置指定的Slot，同样它也有Actor通信系统，当TaskManager启动之后，它会主动向Flink的大管家(Flink自己的资源管家)ResourceManager 去注册Slot(把资源注册一下)，并且表示自己启动成功，接下来大管家(Flink自己的资源管理器ResourceManager) 就会反过来说，现在JobMaster需要Slot, 去分配一下分一下工，你们谁谁谁分一下人手，接下来工作节点就老老实实的向JobMaster 去提供它的资源，JobMaster收到它们提供的Slot 后，就可以根据之前的执行流图将一些子任务分发出去，当然走的也是Actor网络通信，那么最终这些Task在TaskManager工作节点运行起来之后，咱们就说那个是执行的效果是物理流图，整体就是这样子，这个是简化之后的提交流程。