合作伙伴将明文信用卡数据（大约每 15 分钟 5,000 条记录）发送到 S3 存储桶（服务器端加密）。公司必须自动屏蔽 PAN、删除/合并字段并将记录转换为 JSON，然后将结果发送到另一个 S3 存储桶进行内部处理。该设计应易于扩展以适应其他数据源。哪种解决方案满足这些要求？

正确答案是使用 AWS Glue。AWS Glue Crawler 配合自定义分类器可以自动识别数据源的模式和表定义，这满足了“易于扩展以适应其他数据源”的要求。当对象到达 S3 时，Lambda 函数可以触发 AWS Glue ETL 作业。Glue ETL 作业（通常使用 Apache Spark）非常适合执行数据屏蔽、字段删除/合并和格式转换（如转换为 JSON）等批量数据处理任务，并能将结果输出到目标 S3 存储桶。 其他选项的不足在于： 选项1和2：使用多个 Lambda 函数和 SQS 队列进行记录级别的处理，对于每15分钟5000条记录的批量处理场景效率较低，且管理复杂。Fargate 容器虽然可扩展，但仍需自行管理处理逻辑和扩展策略。 选项4：引入 Amazon EMR 会增加复杂性和成本，因为 EMR 集群需要启动、配置和管理，对于这种相对固定的 ETL 任务，Glue ETL 通常是更简单、更经济的选择。Athena 主要用于查询，而非 ETL。