你的解释接近现实，但似乎在某些方面你有点困惑。
让我看看能不能把这件事告诉你。
假设您有scala中的单词计数示例。

object WordCount {
    def main(args: Array[String]) {
      val inputFile = args(0)
      val outputFile = args(1)
      val conf = new SparkConf().setAppName("wordCount")

      val sc = new SparkContext(conf)

      val input =  sc.textFile(inputFile)

      val words = input.flatMap(line => line.split(" "))

      val counts = words.map(word => (word, 1)).reduceByKey{case (x, y) => x + y}

      counts.saveAsTextFile(outputFile)
    }
}

在每个spark作业中都有一个初始化步骤，创建一个sparkcontext对象，提供一些配置，如appname和master，然后读取一个输入文件，对其进行处理，并将处理结果保存在磁盘上。除了进行实际处理的匿名函数（传递到.flatmap、.map和reducebykey的函数）以及在集群上远程运行的i/o函数textfile和saveastextfile之外，所有这些代码都在驱动程序中运行。
在这里，驱动程序是在同一个节点上本地运行的程序部分的名称，在这个节点上使用spark submit提交代码（在您的图片中称为client node）。您可以从任何机器（clientnode、wordernode甚至masternode）提交代码，只要您有spark submit和对您的yarn集群的网络访问权。为了简单起见，我将假设客户机节点是您的笔记本电脑，而yarn集群是由远程机器组成的。
为了简单起见，我将省略这个图片缩放器，因为它用于为hdfs提供高可用性，并且不涉及运行spark应用程序。我必须提到，yarn resource manager和hdfs namenode是yarn和hdfs中的角色（实际上它们是在jvm中运行的进程），它们可以位于同一主节点或不同的机器上。即使是yarn节点管理器和数据节点也只是角色，但它们通常位于同一台机器上，以提供数据位置（靠近数据存储位置的处理）。
提交应用程序时，您首先联系资源管理器，该管理器与namenode一起尝试查找可用于运行spark任务的工作节点。为了利用数据局部性原则，资源管理器将优先选择在同一台机器上存储hdfs块（每个块的3个副本中的任意一个）的工作节点来处理您必须处理的文件。如果没有具有这些块的工作节点可用，它将使用任何其他工作节点。在这种情况下，由于数据在本地不可用，因此必须通过网络将hdfs块从任何数据节点移动到运行spark任务的节点管理器。这个过程是为每个生成文件的块完成的，因此有些块可以在本地找到，有些块必须移动。
当resourcemanager找到一个可用的worker节点时，它将联系该节点上的nodemanager，并要求它创建一个运行spark执行器的容器（jvm）。在其他集群模式（mesos或standalone）中，虽然没有Yarn容器，但spark executor的概念是相同的。spark执行器作为jvm运行，可以运行多个任务。
客户机节点上运行的驱动程序和spark执行器上运行的任务保持通信以运行作业。如果驱动程序在你的笔记本电脑上运行，而你的笔记本电脑崩溃了，你将失去与任务的连接，你的工作将失败。这就是为什么当spark在一个yarn集群中运行时，您可以指定是在膝上型电脑“-deploy mode=client”上运行驱动程序，还是在yarn集群上作为另一个yarn容器“-deploy mode=cluster”运行驱动程序。有关更多详细信息，请参阅spark submit