ETL
25 preguntas sobre ETL (Glue, EMR, Kinesis Data Firehose, Lambda, Athena, Lake Formation) para preparación del examen.
Una empresa necesita transformar archivos CSV en formato Parquet almacenados en S3, aplicar limpieza de datos y catalogar automáticamente el esquema. ¿Qué servicio proporciona esta capacidad ETL con MENOR sobrecarga operativa?
Categoría: Design High-Performing Architectures
Explicación
Desglose detallado de la respuesta correcta
AWS Glue ETL
AWS Glue es un servicio ETL serverless totalmente administrado que automatiza descubrimiento, preparación y combinación de datos.
Glue genera código PySpark/Scala automáticamente, ejecuta jobs en infraestructura administrada, y actualiza Data Catalog con metadata. Ideal para transformaciones sin gestionar servidores.
✅ Por lo tanto, la respuesta correcta es: AWS Glue con ETL jobs y Data Catalog automático.
La opción que dice: EMR cluster con Spark es incorrecta porque requiere provisionar, configurar y administrar clusters manualmente, alta sobrecarga operativa comparado con serverless Glue.
La opción que dice: Lambda functions es incorrecta porque Lambda tiene límite de 15 minutos de ejecución y memoria limitada, inadecuado para transformaciones ETL de archivos grandes.
La opción que dice: EC2 con Python scripts es incorrecta porque requiere mayor gestión (patching, scaling, monitoring), desarrollo completo de código ETL y no provee Data Catalog automático.