一、查询MapReduce任务。
例：调用Hadoop的示例程序包，采用Quasi-Monte Carlo算法来估算PI的值。命令如下：
hadoop jar /usr/local/hadoop-2.6.4/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.4.jar pi 10 100
其中，命令后面的两个参数代表Map数量与每个Map的测算次数，数值越大，结果精准度越高。
在运行过程中，打开集群的资源管理器的监控服务主界面（http://master:8088/）,再单击左侧菜单栏中的“Nodes”，也可以直接访问链接：“http://master:8088/cluster/nodes"进入Nodes of the cluster主页面
当开始运行时，内存会发生变化
此时，可用内存被使用了5.5GB，剩余512MB，可用CPU核心共3个，全被使用。由此可以看出，这个MapReduce任务占用了当前集群的大部分计算资源。
点击左侧菜单栏的”Applications“，显示的结果如图
可以看出第一个就是我们刚才运行的MapReduce任务，名称为QuasiMonteCarlo，运行完状态显示FINISHED，正在运行时状态则为RUNNING,当状态为ACCEPTED时，表示已被资源管理器YARN接受，等待分配计算资源，只有当计算资源满足后，才会开始执行。单击这个任务ID可以获取此任务更详细的信息
二、中断MapReduce任务
对于已经提交的MapReduce任务，在某些特殊情况下需要中断，比如发现程序有异常，某个任务执行时间过长、占用大量计算资源等。而执行中断的操作就比较简单了。
例：统计本地目录上/root/install.log文件中所有单词的平均长度，在此过程进行中断。
命令行如下：hadoop jar $HADOOP_HOME/share/hadoop/mapreduce/hadoop-mapreduce-examples-2.6.4.jar wordmean /user/root/install.log /user/root/wordmean
在运行过程中，点击对应的ID超链接，再点击界面上的Kill Application选项，弹出对话框点击确定即可完成中断。
如图：此时状态（YarnApplicationState）为KILLED表明已被中断。
在Application界面中，此任务（第二个）的状态也已经显示KILLED（被中断）。
以上便是我自行总结的关于管理MapReduce任务的各种操作，希望可以给大家带来帮助！
