Bonnes réponses
- CCompresser les fichiers de données à l'aide de gzip ou snappy.
- DPartitionner les données par des colonnes fréquemment filtrées (par exemple, date, région).
- EUtiliser des formats de données colonnaires tels que Parquet ou ORC.
Explication
L'option C est correcte car la compression des fichiers de données avec gzip ou snappy réduit le total des octets stockés et analysés, et Athena facture et fonctionne en fonction des données analysées, de sorte que des fichiers plus petits réduisent à la fois la latence des requêtes et le coût. L'option D est correcte car le partitionnement des données S3 par des colonnes fréquemment filtrées telles que la date ou la région active l'élagage des partitions, de sorte qu'Athena ne lit que les préfixes pertinents au lieu d'analyser l'ensemble de la table. L'option E est correcte car les formats colonnaires tels que Parquet ou ORC permettent à Athena de lire uniquement les colonnes référencées dans la requête et offrent une meilleure compression et propagation des prédicats, réduisant considérablement les données analysées par rapport aux formats basés sur des lignes comme CSV ou JSON. L'option A n'est pas appropriée car l'augmentation du délai d'expiration des requêtes dans Athena permet seulement aux requêtes de longue durée de se terminer ; cela ne réduit pas la quantité de données analysées et n'améliore pas les performances. L'option B n'est pas appropriée car l'ajout de DPU au travail Glue accélère le traitement ETL, et non les performances des requêtes Athena ou le volume de données analysées au moment de la requête.