Un científico de datos debe migrar un proceso ETL on-premises a AWS. El proceso actual se ejecuta según un cronograma y utiliza PySpark para fusionar y formatear varias fuentes de datos grandes en una salida consolidada para trabajos posteriores. Los requisitos para la solución en la nube son: combinar múltiples fuentes, reutilizar el código PySpark existente, ejecutarse en el cronograma existente y minimizar la cantidad de servidores a administrar. ¿Qué arquitectura cumple con estos requisitos?

La opción correcta es AWS Glue porque permite reutilizar el código PySpark existente sin cambios significativos, se integra con S3 para el almacenamiento de datos y puede programarse para ejecutarse en el cronograma requerido. Además, AWS Glue es un servicio sin servidor, lo que minimiza la administración de servidores. La opción de Amazon EMR implica la gestión de un clúster persistente, lo que va en contra del requisito de minimizar la administración de servidores. La opción de AWS Lambda requeriría reescribir la lógica PySpark en Python puro, lo cual es ineficiente y propenso a errores para grandes volúmenes de datos. La opción de Amazon Kinesis Data Analytics es para procesamiento de datos en tiempo real y usa SQL, no PySpark, por lo que no cumple con los requisitos de reutilización de código ni de procesamiento por lotes programado.