Analítica
Amazon Athena
Servicio serverless de consultas interactivas que analiza con SQL estándar los datos guardados directamente en Amazon S3. Permite consultas ad hoc sin montar ni administrar infraestructura, y se paga por las consultas que se ejecutan.
Frases del examen que apuntan aquí
«consultar con SQL estándar datos almacenados en Amazon S3 sin cargarlos en una base de datos»
Athena lee los archivos directamente donde están en S3: basta con definir la tabla (el esquema y la ubicación) y ya se puede consultar, sin servidores ni procesos de carga.
Cuándo no: Si se trata de un almacén de datos con consultas de BI complejas, repetidas y con muchos usuarios a la vez, encaja mejor Amazon Redshift. Si hace falta código propio o frameworks como Spark con control del clúster, se piensa en Amazon EMR.
«análisis ad hoc ocasional sin infraestructura que administrar»
Athena es serverless: no hay clúster que levantar ni apagar, y con el modelo por consulta solo se paga cuando se ejecuta una consulta.
Cuándo no: Si las consultas son constantes y pesadas durante todo el día, un almacén de datos como Amazon Redshift (o capacidad reservada en Athena) puede salir más predecible. La palabra «serverless» sola no basta: AWS Glue o Amazon EMR Serverless también lo son, pero para procesar datos, no para consultarlos con SQL interactivo.
«analizar los logs que ya están guardados en un bucket de S3»
Logs como los de AWS CloudTrail, de los balanceadores o de VPC Flow Logs suelen terminar en S3; con Athena se define un esquema sobre ellos y se consultan en el sitio, sin moverlos.
Cuándo no: Si los logs están en Amazon CloudWatch Logs, la consulta natural es CloudWatch Logs Insights. Si se necesita búsqueda de texto y paneles casi en tiempo real sobre los logs, se piensa en Amazon OpenSearch Service.
«reducir la cantidad de datos que escanea cada consulta»
Con el modelo por consulta, Athena cobra por los datos escaneados. Particionar los datos y guardarlos comprimidos en formato columnar (Parquet u ORC) hace que cada consulta lea menos, así que cuesta menos y tarda menos.
Cuándo no: Si el escenario ya usa Redshift, la optimización va por otro lado (claves de distribución y de ordenación). Y si el problema es de costo de almacenamiento y no de consulta, la respuesta suele estar en las clases de S3 o en el lifecycle.
«consultar varias fuentes de datos con SQL sin moverlas a un solo lugar»
Las consultas federadas de Athena usan conectores de fuentes de datos para leer bases de datos relacionales y no relacionales, on-premises u otras nubes, y unirlas con los datos de S3. Muchos conectores corren en AWS Lambda.
Cuándo no: Si lo que se pide es replicar de forma continua los datos transaccionales de Aurora en un almacén para analizarlos casi en tiempo real, encaja mejor la integración zero-ETL de Aurora con Amazon Redshift.
Suele ir con
- Amazon S3
- AWS Glue
- AWS Quick