某公司每天從 SAP HANA、SQL Server、MongoDB、Kafka 和 DynamoDB 等來源提取約 1 TB 的資料。其中一些來源的結構描述未定義或不斷演變。該解決方案必須在資料建立後的 15 分鐘內偵測結構描述、執行 ETL，並將資料載入 S3。哪種方法能以最少的營運負擔提供所需的功能？

AWS Glue 是無伺服器 ETL 服務，能自動偵測資料來源的結構描述，並支援多種資料來源，包括非結構化或半結構化資料。它提供 AWS Glue Data Catalog 儲存中繼資料，並可使用 Apache Spark 建立 ETL 管線，將資料轉換並載入 S3，完全符合在 15 分鐘內處理 1 TB 資料並支援不斷演變結構描述的需求，且營運負擔最低。 Amazon EMR 雖然也能處理大量資料並使用 Spark，但它需要管理叢集，營運負擔較高。在 AWS Lambda 中執行 PySpark 程式不適合處理 1 TB 的資料量和複雜的 ETL 邏輯，因為 Lambda 有執行時間和記憶體限制。Amazon Redshift 主要用於資料倉儲，其預存程序不適合用於偵測多種來源的結構描述，且將所有資料載入 Redshift Spectrum 再從 S3 存取，會增加不必要的複雜性。