随着大数据的流行,越来越多的分布式计算框架（比如Hadoop、Spark等）被应用到实际的大数据应用中。为了解决大数据平台下的数据管理核心问题,将传统数据管理系统中的核心查询操作扩展到大数据平台是非常有必要的。现有Spark内置的查询操作是针对Spark SQL的内置数据类型设计且实现的算法并不全面;另一方面,针对Spark平台面向数据管理核心查询操作的综合评测工作并不多且难以满足特定环境下的评测需求。针对上述问题,本文主要研究并行连接算法在Spark平台上的实现和测评,目标是设计并实现一个Spark平台上适用性更强的连接算法库,并给出针对于所使用实验平台的评测结果。首先,针对数据库中最常见的等值连接展开工作,本文通过将等值连接的几种优化算法:Broadcast Hash Join,Shuffle Hash Join和Sort Merge Join分别进行介绍说明,然后分别使用Spark RDD的方式进行实现,并且通过一系列大小的数据进行实验,通过实验展示出的不同性能指标,进而分别得出这几种优化算法的适用场景。然后,针对大数据常连接出现的数据倾斜问题的常见解决方案进行评测,关注大数据平台上的数据倾斜现象,对于常见的数据倾斜问题的解决方案进行介绍,并且依然使用Spark RDD实现为Spark集群中可执行的算法集。最后还是通过一系列大小的数据进行实验,通过实验展示出的结果,来比较下不同解决方案的效果好坏。最后,对于连接中复杂的多路θ-连接的算法进行研究,通过研究传统和分布式框架上的多路θ-连接算法,改造成Spark集群上的多路θ-连接算法,算法的实现仍然使用Spark RDD。最后也是通过一系列不同大小的数据进行实验,通过实验展示出的结果,分析实验结构后可以发现算法是具有良好效果的从而证明了算法的有效性。