diff --git a/ch10.md b/ch10.md
index fc1a22c..dc8ebdc 100644
--- a/ch10.md
+++ b/ch10.md
@@ -385,11 +385,11 @@ reduce 侧的连接的好处在于，你不需要对输入数据有任何的假
 
 如，设想在图 10-2 对应的场景中，用户资料数据足够小，能够装入内存。在这种情况下，当 Mapper 启动时，可以先将用户资料分布式文件系统中读取到内存的哈希表中。一旦加载完毕，mapper 可以扫描所有的用户活动事件，对于每一个事件，在内存哈希表中查找该事件对应用户资料信息，然后连接后，输出一条数据即可。
 
-但仍然会有多个 Mapper 任务：join 的**大数据量输入侧**（在 10-2 中，用户活动事件表是大输入测）每个文件块一个 mapper。其中 MapReduce 任务中的每个 Mapper 都会将小输入侧的数据全部加载进内存。
+但仍然会有多个 Mapper 任务：join 的**大数据量输入侧**（在 10-2 中，用户活动事件表是大输入侧）每个文件块一个 mapper。其中 MapReduce 任务中的每个 Mapper 都会将小输入侧的数据全部加载进内存。
 
 这种简单高效的算法称为**广播哈希连接**（broadcast hash joins）：
 
-1. **广播（broadcast）**：处理大数据测每个分片的 Mapper 都会将小数据测数据全部载入内存。从另外一个角度理解，就是将小数据集**广播到了**所有相关 Mapper 机器上。
+1. **广播（broadcast）**：处理大数据侧每个分片的 Mapper 都会将小数据侧数据全部载入内存。从另外一个角度理解，就是将小数据集**广播到了**所有相关 Mapper 机器上。
 2. **哈希（hash）**：即在将小数据集在内存中组织为哈希表。
 
 Pig（replicated join）、Hive（MapJoin）、Cascading 和 Crunch 都支持这种连接方法。