首先Hadoop集群式基於單服務器的，只有壹個服務器節點負責調度整個集群的作業運行，主要的具體工作是切分大數據量的作業，指定哪些Worker節點做Map工作、哪些Worker節點做Reduce工作、與Worker節點通信並接受其心跳信號、作為用戶的訪問入口等等。其次，集群中的每個Worker節點相當於壹個器官，運行著主節點所指派的具體作業。這些節點會被分為兩種類型，壹種是接收分塊之後的作業並做映射工作。另壹種是負責把前面所做的映射工作按照約定的規則做壹個統計。
Task－Tracker通過運行壹個簡單循環來定期地發送心跳信號（heartbeat）給JobTracker．這個心跳信號會把TaskTracker是否還在存活告知JobTracker，TaskTracker通過信號指明自己是否已經準備
好運行新的任務．壹旦TaskTracker已經準備好接受任務，JobTracker就會從作業優先級表中選定壹個作業並分配下去．至於到底是執行Map任務還是Reduce任務，是由TaskTracker的任務槽所決定的．默認的任務調度器在處理Reduce任務之前，會優先填滿空閑的Map任務槽．因此，如果TaskTracker滿足存在至少壹個空閑任務槽時，JobTracker會為它分配Map任務，否則為它選擇壹個Reduce任務．TaskTracker在運行任務的時候，第壹步是從***享文件系統中把作業的JAR文件復制過來，從而實現任務文件的本地化．第二步是TaskTracker為任務新建壹個本地文件夾並把作業文件解壓在此目錄中．第三步是由Task－Tracker新建壹個TaskRunner實例來運行該任務．
Hadoop平臺默認的調度方案就是JobQueueTaskScheduler，這是壹種按照任務到來的時間先後順序而執行的調度策略．這種方式比較簡單，JobTracker作為主控節點，僅僅是依照作業到來的先後順序而選擇將要執行的作業．當然，這有壹定的缺陷，由於Hadoop平臺是默認將作業運行在整個集群上的，那麽如果壹個耗時非常大的作業進入執行期，將會導致其余大量作業長時間得不到運行．這種長時間運行的優先級別並不高的作業帶來了嚴重的作業阻塞，使得整個平臺的運行效率處在較低的水平．Hadoop平臺對這種FIFO（First INAnd First Out）機制所給出的解決辦法是調用SetJobPriority（）方法，通過設置作業的權重級別來做平衡調度．
Fair Scheduler是壹種“公平”調度器，它的目標是讓每個用戶能夠公平地***享Hadoop集群計算能力．當只有壹個作業運行的時候，它會得到整個集群的資源．隨著提交到作業表中作業的增多，Hadoop平臺會把集群中空閑出來的時間槽公平分配給每個需要執行的作業．這樣即便其中某些作業需要較長時間運行，平臺仍然有能力讓那些短作業在合理時間內完成［3］．Fair Scheduler支持資源搶占，當壹個資源池在壹定時段內沒有得到公平***享時，它會終止該資源池所獲得的過多的資源，同時把這些釋放的資源讓給那些資源不足的資源池．
Hadoop平臺中的Capacity Scheduler是由Yahoo貢獻的，在調度器上，設置了三種粒度的對象：queue，job，task．在該策略下，平臺可以有多個作業隊列，每個作業隊列經提交後，都會獲得壹定數量的TaskTracker資源．具體調度流程如下．
（1）選擇queue，根據資源庫的使用情況從小到大排序，直到找到壹個合適的job．
（2）選擇job，在當前所選定的queue中，按照作業提交的時間先後以及作業的權重優先級別進行排序，選擇合適的job．當然，在job選擇時還需要考慮所選作業是否超出目前現有的資源上限，以及資源池中的內存是否夠該job的task用等因素．
（3）選擇task，根據本地節點的資源使用情況來選擇合適的task．
雖然Hadoop平臺自帶了幾種調度器，但是上述3種調度方案很難滿足公司復雜的應用需求．因此作為平臺的個性化使用者，往往需要開發自己的調度器．Hadoop的調度器是在JobTracker中加載和調用的，因此開發壹個自定義的調度器就必須搞清楚JobTracker類文件的內部機制．作為Hadoop平臺的核心組件，JobTracker監控著整個集群的作業運行情況並對資源進行管理調度．每個Task－Tracker每隔3s通過heartbeat向JobTracker匯報自己管理的機器的壹些基本信息，包括內存使用量、內存的剩余量以及空閑的slot數目等等［5］．壹
旦JobTracker發現了空閑slot，便會調用調度器中的AssignTask方法為該TaskTracker分配task。