Un ingénieur de données exécute des requêtes Amazon Athena sur des données dans Amazon S3 et utilise l'AWS Glue Data Catalog pour les métadonnées. La planification des requêtes est lente car l'ensemble de données S3 contient un très grand nombre de partitions. Quelles actions réduiront le temps de planification d'Athena et résoudront le goulot d'étranglement ? (Choisissez-en deux.)

La création d'un index de partition AWS Glue et l'activation du filtrage des partitions réduisent considérablement le temps de planification d'Athena en permettant à Athena de récupérer rapidement les métadonnées de partition pertinentes, au lieu de les analyser toutes. La projection de partition Athena basée sur le préfixe du bucket S3 est une autre technique efficace. Elle permet à Athena de déduire les partitions directement à partir de la structure des chemins S3, évitant ainsi les appels à AWS Glue Data Catalog pour les métadonnées de partition et accélérant la planification. Le regroupement des données en buckets (bucketing) améliore les performances des requêtes mais ne résout pas directement le goulot d'étranglement de la planification des partitions. La conversion au format Apache Parquet améliore les performances des requêtes en raison de sa nature colonnaire et de sa compression, mais n'adresse pas le problème de planification des partitions. L'utilisation de S3DistCP pour combiner des objets plus petits peut améliorer les performances globales de lecture mais n'est pas une solution directe pour la planification lente due à un grand nombre de partitions.