Bir çevrimiçi perakendeci, ALB erişim günlüklerini S3'te depolar ve bunları Amazon Athena ile sorgular. Mühendis, bölümlenmemiş (unpartitioned) bir Athena tablosu oluşturdu ve veri hacmi arttıkça sorgu yanıt süreleri uzadı. En az operasyonel çabayla Athena sorgu performansını hangi yaklaşım iyileştirir?

Doğru cevap, AWS Glue crawler kullanmaktır. Bölümlenmemiş bir Athena tablosu, her sorguda tüm veriyi tarar ve bu da veri hacmi arttıkça performansı düşürür. Bir AWS Glue crawler, ALB erişim günlüklerindeki bölüm anahtarlarını (örneğin, tarih veya saat) otomatik olarak algılar, şemayı çıkarır ve bölüm meta verilerini AWS Glue Data Catalog'a yazar. Bu, Athena'nın yalnızca sorguyla ilgili bölümleri taramasını sağlayarak sorgu performansını önemli ölçüde artırır ve en az operasyonel çaba gerektirir. Diğer seçenekler neden yanlış: AWS Glue işi oluşturmak, crawler'ın otomatik olarak yaptığı işi manuel olarak kodlamayı gerektirir ve daha fazla operasyonel çaba demektir. Verileri Apache Parquet'e dönüştürmek ve Lambda kullanmak performansı artırsa da, bu bir ETL sürecidir ve mevcut verilerin dönüştürülmesini, yeni bir depolama katmanı oluşturulmasını ve daha fazla operasyonel karmaşıklığı içerir. Soruda "en az operasyonel çaba" vurgulanmıştır. Apache Hive ve kovalı tablolar kullanmak, AWS Glue crawler'a kıyasla daha karmaşık bir kurulum ve yönetim gerektirir.