本关任务：本关主题是通过读取外部数据源文本文件生成DataFrame，并利用DataFrame对象的常用Transformation操作和Action操作实现功能。已知学生信息（student）、教师信息（teacher）、课程信息（course）和成绩信息（score）如下图所示，通过Spark SQL对这些信息进行查询，分别得到需要的结果。     学生信息student.txt如下所示。 108,ZhangSan,male,1995/9/1,95033 105,KangWeiWei,female,1996/6/1,95031 107,GuiGui,male,1992/5/5,95033 101,WangFeng,male,1993/8/8,95031 106,LiuBing,female,1996/5/20,95033 109,DuBingYan,male,1995/5/21,95031     教师信息teacher.txt如下所示。 825,LinYu,male,1958,Associate professor,department of computer 804,DuMei,female,1962,Assistant professor,computer science department 888,RenLi,male,1972,Lecturer,department of electronic engneering 852,GongMOMO,female,1986,Associate professor,computer science department 864,DuanMu,male,1985,Assistant professor,department of computer     课程信息course.txt如下所示。 3-105,Introduction to computer,825 3-245,The operating system,804 6-101,Spark SQL,888 6-102,Spark,852 9-106,Scala,864     成绩信息score.txt如下所示。 108,3-105,99 105,3-105,88 107,3-105,77 相关知识 （1）创建SparkSession对象     通过SparkSession.builder()创建一个基本的SparkSession对象，并为该Spark SQL应用配置一些初始化参数，例如设置应用的名称以及通过config方法配置相关运行参数。 import org.apache.spark.sql.SparkSession val spark = SparkSession .builder() .appName("Spark SQL basic example") .config("spark.some.config.option", "some-value") .getOrCreate() // 引入spark.implicits._，以便于RDDs和DataFrames之间的隐式转换 import spark.implicits._ （2）显性地将RDD转换为DataFrame     通过编程接口，构造一个 Schema ，然后将其应用到已存在的 RDD[Row] （将RDD[T]转化为Row对象组成的RDD），将RDD显式的转化为DataFrame。 //导入Spark SQL的data types包 import org.apache.spark.sql.types._ //导入Spark SQL的Row包 import org.apache.spark.sql.Row // 创建peopleRDD scala> val stuRDD = spark.sparkContext.textFile("读取文件路径") // schema字符串 scala> val schemaString = "name age country" //将schema字符串按空格分隔返回字符串数组，对字符串数组进行遍历，并对数组中的每一个元素进一步封装成StructField对象，进而构成了Array[StructField] scala> val fields = schemaString.split(" ").map(fieldName => StructField(fieldName,StringType,nullable = true)) //将fields强制转换为StructType对象，形成了可用于构建DataFrame对象的Schema scala> val schema = StructType(fields) //将peopleRDD（RDD[String]）转化为RDD[Rows] scala> val rowRDD = stuRDD.map(_.split(",")).map(elements => Row(elements(0),elements(1).trim,elements(2))) //将schema应用到rowRDD上，完成DataFrame的转换 scala> val stuDF = spark.createDataFrame(rowRDD,schema) （3）sql接口的使用     SparkSession提供了直接执行sql语句的SparkSession.sql(sqlText:String)方法，sql语句可直接作为字符串传入sql()方法中，sql()查询所得到的结果依然是DataFrame对象。在Spark SQL模块上直接进行sql语句的查询需要首先将结构化数据源的DataFrame对象注册成临时表，进而在sql语句中对该临时表进行查询操作。 （4）select方法     select方法用于获取指定字段值，根据传入的String类型的字段名，获取指定字段的值，以DataFrame类型返回。 （5）filter方法     filter方法按参数指定的SQL表达式的条件过滤DataFrame。 （6）where方法     where按照指定条件对数据进行过滤筛选并返回新的DataFrame。 （7）distinct方法     distinct方法用来返回对DataFrame的数据记录去重后的DataFrame。 （8）groupBy方法     使用一个或者多个指定的列对DataFrame进行分组，以便对它们执行聚合操作。 （9）agg方法     agg是一种聚合操作，该方法输入的是对于聚合操作的表达，可同时对多个列进行聚合操作，agg为DataFrame提供数据列不需要经过分组就可以执行统计操作，也可以与groupBy法配合使用。 （10）orderBy方法     按照给定的表达式对指定的一列或者多列进行排序，返回一个新的DataFrame，输入参数为多个Column类。 编程要求 根据提示，在右侧编辑器补充代码，完成功能的实现。 测试说明 平台会对你编写的代码进行测试： 预期输出： |Sno| Sname| Ssex|Sbirthday|SClass| |101| WangFeng| male| 1993/8/8| 95031| |105|KangWeiWei|female| 1996/6/1| 95031| |106| LiuBing|female|1996/5/20| 95033| |107| GuiGui| male| 1992/5/5| 95033| |108| ZhangSan| male| 1995/9/1| 95033| |109| DuBingYan| male|1995/5/21| 95031| |tname |prof | |DuMei |Assistant professor| |DuanMu |Assistant professor| |GongMOMO|Associate professor| |LinYu |Associate professor| |RenLi |Lecturer | |Tno|Tname |Tsex |Tyear|Prof |Depart | |804|DuMei |female|1962 |Assistant professor|computer science department| |852|GongMOMO|female|1986 |Associate professor|computer science department| |Depart | |department of computer | |computer science department | |department of electronic engneering| |max(Degree)| | 100| | Cno| avg(Degree)| |3-105| 88.0| |3-245| 83.0| |6-101| 74.0| |6-102|87.66666666666667| |9-106| 85.0| 开始你的任务吧，祝你成功！