Een data engineer voert Amazon Athena-query's uit op data in Amazon S3 en gebruikt de AWS Glue Data Catalog voor metadata. De queryplanning is traag omdat de S3-dataset een zeer groot aantal partities heeft. Welke acties zullen de Athena-planningstijd verkorten en de bottleneck oplossen? (Kies twee.)

Het aanmaken van een AWS Glue partition index en het inschakelen van partitiefiltering versnelt queryplanning aanzienlijk door de hoeveelheid metadata die Athena moet scannen te verminderen. In plaats van alle partities te laden, kan Athena de index gebruiken om snel de relevante partities te identificeren. Athena partition projection is ook effectief omdat het Athena vertelt hoe het partities kan afleiden uit het S3-pad zonder de Glue Data Catalog te ho hoeven raadplegen, wat de planningstijd verkort bij een groot aantal partities. Het bucketing van data helpt bij het verminderen van de hoeveelheid gescande data, maar heeft geen directe invloed op de planningstijd van Athena, die wordt veroorzaakt door het grote aantal partities. Het transformeren van data naar Apache Parquet verbetert de queryprestaties door kolomopslag en compressie, maar lost de bottleneck van de planningstijd door veel partities niet op. S3DistCP combineert kleine objecten, wat de leesprestaties kan verbeteren, maar het vermindert het aantal logische partities in de Glue Data Catalog niet, wat de oorzaak is van de trage planning.