在資料量增加後，Hadoop 上的批次 MapReduce 分析開始落後。團隊如何在不增加成本的情況下提高回應能力？

當 Hadoop 上的批次 MapReduce 分析因資料量增加而變慢時，使用 Apache Spark 重寫工作是提高回應能力且不增加成本的有效方法。Spark 具有記憶體內處理能力，比傳統的 MapReduce 更快，能顯著縮短處理時間。它還支援更廣泛的資料處理模式，例如互動式查詢和串流處理。 其他選項的解釋： 使用 Pig 重寫該工作：Pig 雖然提供更高級的抽象，但其底層仍然依賴 MapReduce，因此無法根本性地解決效能瓶頸。 增加 Hadoop 叢集的大小：這會直接增加成本，與題目中「不增加成本」的條件不符。 縮小 Hadoop 叢集的大小，但同時也使用 Hive 重寫該工作：縮小叢集會進一步降低效能，而 Hive 雖然提供 SQL 介面，其執行引擎預設仍是 MapReduce，無法解決根本的效能問題。