一家線上零售商將 ALB 存取日誌儲存在 S3 中，並使用 Amazon Athena 查詢這些日誌。工程師建立了一個未分區的 Athena 表格，但隨著資料量的增加，查詢回應時間也隨之增長。哪種方法能以最少的操作工作量來提高 Athena 查詢效能？

正確答案是建立一個 AWS Glue 爬蟲程式，使用分類器來判斷所有 ALB 存取日誌的結構描述，並將分區中繼資料寫入 AWS Glue Data Catalog。這是因為 Glue 爬蟲程式能夠自動探索 S3 中的資料，推斷結構描述，並自動識別分區鍵，然後將這些中繼資料寫入 Glue Data Catalog。Athena 可以直接利用這些分區中繼資料來優化查詢，只掃描相關的分區，顯著減少掃描的資料量，從而提高查詢效能，且操作工作量最少。 其他選項的缺點： 建立 AWS Glue 任務來推斷結構描述並寫入分區中繼資料，雖然可行，但通常需要手動配置任務邏輯，不如爬蟲程式自動化程度高。 建立 Lambda 函數將日誌轉換為 Parquet 格式並新增分區，雖然 Parquet 格式和分區都能提高效能，但這涉及資料轉換和額外的儲存成本，且需要開發和維護 Lambda 函數，增加了操作複雜度和工作量。 使用 Apache Hive 建立分桶表並用 Lambda 轉換日誌，這是一個更複雜的解決方案，引入了 Hive 的管理負擔，且分桶通常比分區更複雜，不符合「最少操作工作量」的要求。