Spark SQL - 操作数据集

本教程将通过一个具体的案例来演示如何在Spark SQL中操作数据集。我们将从创建本地文件开始，然后上传到HDFS，并使用Spark Shell启动Spark程序。接下来，我们将加载数据为DataSet，并给DataSet添加元数据信息。最后，我们将对数据集进行各种操作，如投影、过滤、统计和排序等。

具体步骤如下：

1. 在/home目录里创建student.txt文件。
2. 执行命令：hdfs dfs -mkdir -p /student/input，创建目录。
3. 执行命令：hdfs dfs -put student.txt /student/input，上传文件。
4. 执行命令：spark-shell --master spark://master:7077，启动Spark Shell。
5. 执行命令：val ds = spark.read.textFile(“hdfs://master:9000/student/input/student.txt”)，读取文件得到数据集。
6. 执行命令：ds.show，显示数据集内容。
7. 执行命令：ds.printSchema，显示数据集模式。
8. 定义学生样例类：case class Student(id: Int, name: String, gender: String, age: I