Update ch10.md

ch10.md

@@ -281,7 +281,7 @@ top5.each{|count, url| puts "#{count} #{url}" }                   # 5
 
 ​	Hadoop的各种高级工具（如Pig 【30】，Hive 【31】，Cascading 【32】，Crunch 【33】和FlumeJava 【34】）也能自动布线组装多个MapReduce阶段，生成合适的工作流。
 
-### Reduce端连接与分组
+### Reduce侧连接与分组
 
 ​	我们在[第2章](ch2.md)中讨论了数据模型和查询语言的联接，但是我们还没有深入探讨连接是如何实现的。现在是我们再次捡起这条线索的时候了。
 
@@ -363,7 +363,7 @@ top5.each{|count, url| puts "#{count} #{url}" }                   # 5
 
 
 
-### Map端连接
+### Map侧连接
 
 ​	上一节描述的连接算法在Reducer中执行实际的连接逻辑，因此被称为Reduce端连接。Mapper扮演着预处理输入数据的角色：从每个输入记录中提取键值，将键值对分配给Reducer分区，并按键排序。
 
@@ -395,13 +395,13 @@ top5.each{|count, url| puts "#{count} #{url}" }                   # 5
 
 ​	分区散列连接在Hive中称为**Map端桶连接（bucketed map joins）【37】**。
 
-#### Map端合并连接
+#### Map侧合并连接
 
 ​	如果输入数据集不仅以相同的方式进行分区，而且还基于相同的键进行**排序**，则可适用另一种Map端联接的变体。在这种情况下，输入是否小到能放入内存并不重要，因为这时候Mapper同样可以执行归并操作（通常由Reducer执行）的归并操作：按键递增的顺序依次读取两个输入文件，将具有相同键的记录配对。
 
 ​	如果能进行Map端合并连接，这通常意味着前一个MapReduce作业可能一开始就已经把输入数据做了分区并进行了排序。原则上这个连接就可以在前一个作业的Reduce阶段进行。但使用独立的仅Map作业有时也是合适的，例如，分好区且排好序的中间数据集可能还会用于其他目的。
 
-#### MapReduce工作流与Map端连接
+#### MapReduce工作流与Map侧连接
 
 ​	当下游作业使用MapReduce连接的输出时，选择Map端连接或Reduce端连接会影响输出的结构。Reduce端连接的输出是按照**连接键**进行分区和排序的，而Map端连接的输出则按照与较大输入相同的方式进行分区和排序（因为无论是使用分区连接还是广播连接，连接较大输入端的每个文件块都会启动一个Map任务）。
 
@@ -909,4 +909,4 @@ top5.each{|count, url| puts "#{count} #{url}" }                   # 5
 
 | 上一章                            | 目录                            | 下一章                   |
 | --------------------------------- | ------------------------------- | ------------------------ |
-| [第三部分：派生数据](part-iii.md) | [设计数据密集型应用](README.md) | [第十一章：流处理](ch11.md) |
+| [第三部分：派生数据](part-iii.md) | [设计数据密集型应用](README.md) | [第十一章：流处理](ch11.md) |