在hadoop2.x中，容器是工作单元发生的地方。例如，每个mapreduce任务（不是整个作业）都在一个容器中运行。
应用程序/作业将在一个或多个容器上运行。
为每个容器分配一组系统资源，目前支持cpu内核和ram。hadoop集群中的每个节点都可以运行多个容器。
在hadoop1.x中，jobtracker分配一个插槽来运行每个mapreduce任务。然后tasktracker为每个任务生成一个单独的jvm（除非未启用jvm重用）。

简单来说，容器是运行应用程序的地方。它在每个节点中都可用。应用程序主程序与调度器（资源管理器的组件之一）协商容器。容器由节点管理器启动。

“容器”这个词在两个上下文中被用来形容Yarn，
容器：表示分配给applicationmaster的资源。resourcemanager负责向applicationmaster发布资源/容器。检查容器api。
启动容器：基于已分配的资源（容器），applicationmaster请求nodemanager启动容器，从而在节点上执行任务。检查containermanager api。

它表示给定集群中单个节点上的资源（内存）。
容器是
由节点管理器监督
由资源管理器安排
一个mr任务在这样的容器中运行。

Container :

资源的逻辑租用和节点上产生的实际进程可以互换使用。这与tasks（或am）运行的过程相同。为了启动container，我们提供了container对象和clc（containerlaunchcontext），在其中我们设置了运行任务（或am）的命令列表。

nmClient.startContainer(container, clcObj)

ContainerLaunchContext code snippet :

<code>
.
.
.
 /**
   * Add the list of <em>commands</em> for launching the container. All
   * pre-existing List entries are cleared before adding the new List
   * @param commands the list of <em>commands</em> for launching the container
   */
  @Public
  @Stable
  public abstract void setCommands(List<String> commands);
</code>

一个节点上可以有多个容器（或者一个非常大的容器）。
系统中的每个节点都被认为是由多个最小内存大小（比如512mb或1GB）的容器组成的。applicationmaster可以请求任何容器作为最小内存大小的倍数。
源，请参阅resourcemanager/资源模型一节。

根据输入数据的大小，创建多个输入拆分。mr作业需要处理整个数据，以便创建多个任务（map&reduce任务）。因此，对于每个输入，拆分将由一个任务处理。现在如何运行这个任务，由资源管理器建议。资源管理器知道哪个节点管理器是空闲的，哪个节点管理器是忙的，它像学院的校长和节点管理器一样是学院的班主任，校长知道哪个老师是空闲的。因此，它要求节点管理器在容器（即内存区域）中运行该任务（整个作业的一小部分），以便jvm运行。因此，该作业作为容器内的应用程序主机运行。

容器是应用程序运行其任务的地方。如果您想知道集群中正在运行的容器的总数，那么可以签入集群资源管理器ui。
Yarnurl:http://your-active-resourcemanager-ip：45020/群集/应用程序/运行
在“正在运行的容器”列中，显示正在运行的容器的总数详细信息。
注意：如果您使用的是spark，那么spark执行器将在容器内运行。一个容器可以容纳多个spark执行器。

容器是资源分配，它是resourcemanager授予特定resourcerequest的成功结果。容器授予应用程序在特定主机上使用特定数量资源（内存、cpu等）的权限。