Ein Unternehmen migriert SQL Server-Datenbanken von EC2 zu Amazon RDS for SQL Server. Bis die Migration abgeschlossen ist, muss das Analyseteam täglich große, verknüpfte Datenelemente im Apache Parquet-Format nach Amazon S3 exportieren. Welche Lösung ist am operationell effizientesten?

Die korrekte Lösung ist am effizientesten, da AWS Glue nativ die Verbindung zu SQL Server herstellen, Daten extrahieren, in Parquet transformieren und nach S3 schreiben kann. Eine View vereinfacht die Datenabfrage. Die tägliche Planung des Glue-Jobs automatisiert den Prozess vollständig. Die Option mit SQL Server Agent und Lambda ist weniger effizient, da sie eine Zwischen-CSV-Datei und eine zusätzliche Lambda-Funktion für die Formatkonvertierung erfordert, was mehr Schritte und potenzielle Fehlerquellen bedeutet. Die Option mit AWS Glue Crawler ist unnötig, da der Crawler primär für die Schemaerkennung in Data Lakes gedacht ist. Ein Glue-Job kann direkt auf die Datenbank zugreifen, ohne vorher einen Crawler ausführen zu müssen, um eine View zu lesen. Die Lambda-Funktion ist für große Datenmengen weniger geeignet, da sie Laufzeitbeschränkungen und Speicherlimits hat. AWS Glue ist für ETL-Workloads mit großen Datenmengen konzipiert und skaliert besser.