Perguntas frequentes sobre o Amazon S3

Um bucket de vetores foi criado especificamente para armazenar e consultar vetores. Em um bucket de vetores, você não usa as APIs de objetos do S3, mas sim APIs vetoriais dedicadas para gravar dados vetoriais e consultá-los com base no significado semântico e na similaridade. Você pode controlar o acesso aos seus dados vetoriais com os mecanismos de controle de acesso existentes no Amazon S3, incluindo políticas de bucket e IAM. Todas as gravações em um bucket de vetores são fortemente consistentes, o que significa que você pode acessar imediatamente os vetores adicionados mais recentemente. À medida que você escreve, atualiza e exclui vetores ao longo do tempo, os buckets de vetores do S3 otimizam automaticamente os dados vetoriais armazenados neles para obter a melhor relação preço/performance, mesmo com a escalabilidade e a evolução dos conjuntos de dados.

Um bucket é um contêiner de tabelas e objetos armazenados no Amazon S3, e você pode armazenar qualquer quantidade de objetos em um bucket. Os buckets de uso geral são o tipo original de bucket do S3, e um único bucket de uso geral pode conter objetos armazenados em todas as classes de armazenamento, exceto no S3 Express One Zone. Eles são recomendados para a maioria dos casos de uso e padrões de acesso. Buckets de diretório do S3 permitem somente objetos armazenados na classe de armazenamento S3 Express One Zone, que fornece processamento de dados mais rápido em uma única zona de disponibilidade. Eles são recomendados para casos de uso de baixa latência. Cada bucket de diretório do S3 pode oferecer suporte a até 2 milhões de transações por segundo (TPS), independentemente do número de diretórios dentro dele. Os buckets de tabela do S3 são criados especificamente para armazenar dados tabulares no S3, como transações diárias de compra, dados de sensores de streaming ou impressões de anúncios. Ao usar um bucket de tabela, seus dados são armazenados como uma tabela do Iceberg no S3 e, em seguida, você pode interagir com esses dados usando recursos de analytics, como transações em nível de linha, snapshots de tabelas consultáveis e muito mais, todos gerenciados pelo S3. Além disso, os buckets de tabela realizam a manutenção contínua das tabelas para otimizar automaticamente a eficiência das consultas ao longo do tempo, mesmo com o crescimento e a evolução do seu data lake. Os buckets vetoriais do S3 foram criados especificamente para armazenar e consultar vetores. Em um bucket vetorial, você usa APIs vetoriais dedicadas para gravar dados vetoriais e consultá-los com base no significado semântico e na similaridade. Você pode controlar o acesso aos seus dados vetoriais usando os mecanismos de controle de acesso existentes no Amazon S3, incluindo políticas de bucket e IAM. À medida que você escreve, atualiza e exclui vetores ao longo do tempo, os buckets vetoriais do S3 otimizam automaticamente os dados vetoriais armazenados neles para obter a melhor relação preço/desempenho, mesmo com a escalabilidade e a evolução dos conjuntos de dados.

O S3 Tables fornece um armazenamento do S3 desenvolvido com propósito específico para armazenar dados estruturados no formato Apache Parquet, Avro e ORC. Em um bucket de tabelas, é possível criar tabelas como recursos primários diretamente no S3. Essas tabelas podem ser protegidas com permissões a nível de tabela definidas em políticas baseadas em identidade ou em recursos e são acessíveis por aplicações ou ferramentas compatíveis o padrão do Apache Iceberg. Ao criar uma tabela no bucket de tabelas, os dados subjacentes no S3 são armazenados como arquivos no formato Parquet, Avro ou ORC. Em seguida, o S3 usa o padrão do Apache Iceberg para armazenar os metadados necessários para tornar esses dados consultáveis pelas aplicações. O S3 Tables inclui uma biblioteca de cliente que é usada por mecanismos de consulta para navegar e atualizar os metadados do Iceberg das tabelas no bucket de tabelas. Essa biblioteca, em conjunto com as APIs do S3 atualizadas para operações de tabelas, permite que vários clientes realizem a leitura e a gravação de dados com segurança em suas tabelas. Ao longo do tempo, o S3 realiza a otimização automática dos dados no formato Parquet, Avro ou ORC subjacentes ao reescrever ou “compactar” os objetos. A compactação otimiza os dados armazenados no S3 para aprimorar a performance das consultas.

Você pode começar a usar o S3 Tables em apenas algumas etapas simples, sem precisar montar nenhuma infraestrutura fora do S3. Primeiro, crie um bucket de tabela no console do S3. Como parte da criação do seu primeiro bucket de tabela por meio do console, a integração com os serviços do AWS Analytics ocorre automaticamente, o que permite que o S3 preencha automaticamente todos os buckets e tabelas da sua conta e região no Catálogo de Dados do AWS Glue. Depois disso, o S3 Tables estará acessível aos mecanismos de consulta da AWS, como Amazon Athena, EMR e Redshift. Em seguida, você poderá clicar para criar uma tabela usando o Amazon Athena a partir do console do S3. Uma vez no Athena, você poderá começar a preencher novas tabelas e consultá-las rapidamente.

Como alternativa, você pode acessar as tabelas do S3 usando o endpoint do catálogo Iceberg REST por meio do Catálogo de Dados do AWS Glue, que permite descobrir todo o seu patrimônio de dados, incluindo todos os recursos da tabela. Você também pode se conectar diretamente a um endpoint de bucket de tabela individual para descobrir todos os recursos do S3 Tables dentro desse bucket. Isso permite que você use o S3 Tables com qualquer aplicação ou mecanismo de consulta compatível com a especificação do catálogo REST do Apache Iceberg.

Você pode esperar uma performance de consultas até três vezes mais rápida e até dez vezes mais transações por segundo (TPS) em comparação ao armazenamento de tabelas do Iceberg em buckets de uso geral do Amazon S3. Isso ocorre porque os buckets de tabela compactam automaticamente os dados subjacentes no formato Parquet, Avro ou ORC para suas tabelas a fim de otimizar a performance de consultas, e o armazenamento com propósito específico oferece suporte a dez vezes mais o volume padrão de TPS.

Os buckets de tabela permitem aplicar políticas de recursos a todo o bucket ou a tabelas individuais. As políticas de bucket de tabela podem ser aplicadas usando as APIs PutTablePolicy e PutTableBucketPolicy. As políticas em nível de tabela permitem que você gerencie permissões para tabelas em seus buckets de tabela com base na tabela lógica à qual elas estão associadas, sem precisar entender a localização física de arquivos individuais no formato Parquet, Avro ou ORC. Além disso, o Bloqueio de Acesso Público do S3 é sempre aplicado aos buckets de tabela.

Os buckets de tabela oferecem suporte ao formato de tabela Apache Iceberg com dados no formato Parquet, Avro ou ORC.

Você pode começar a usar o S3 Vectors em quatro etapas simples, sem precisar configurar nenhuma infraestrutura fora do Amazon S3. Primeiro, crie um bucket vetorial em uma região específica da AWS por meio da API CreateVectorBucket ou no console do S3. Segundo, para organizar seus dados vetoriais em um bucket vetorial, você cria um índice vetorial com a API CreateIndex ou no console do S3. Ao criar um índice vetorial, você especifica a métrica de distância (cosseno ou euclidiana) e o número de dimensões que um vetor deve ter (até 4092). Para obter resultados mais precisos, selecione a métrica de distância recomendada pelo seu modelo de incorporação. Terceiro, adicione dados vetoriais a um índice vetorial com a API PutVectors. Opcionalmente, você pode anexar metadados como pares de valores-chave a cada vetor para filtrar consultas. Quarto, realize uma consulta de similaridade usando a API QueryVectors, especificando o vetor a ser pesquisado e o número dos resultados mais semelhantes a serem retornados.

Você pode criar um índice vetorial usando o console do S3 ou a API CreateIndex. Durante a criação do índice, você especifica o intervalo vetorial, o índice, a métrica de distância, as dimensões e, opcionalmente, uma lista de campos de metadados que você deseja excluir da filtragem durante consultas de similaridade. Por exemplo, se você quiser armazenar dados associados a vetores apenas para referência, você pode especificá-los como campos de metadados não filtráveis. Após a criação, cada índice recebe um nome do recurso da Amazon (ARN) exclusivo. Posteriormente, ao fazer uma solicitação de gravação ou consulta, você a direciona para um índice vetorial dentro de um bucket vetorial.

Você pode adicionar vetores a um índice vetorial usando a API PutVectors. Cada vetor consiste em uma chave, que identifica exclusivamente cada vetor em um índice vetorial (por exemplo, você pode gerar programaticamente um UUID). Para maximizar o throughput de gravação, é recomendável inserir vetores em grandes lotes, até o tamanho máximo da solicitação. Além disso, você pode anexar metadados (por exemplo, ano, autor, gênero e local) como pares de valores-chave a cada vetor. Quando você inclui metadados, por padrão, todos os campos podem ser usados como filtros em uma consulta de similaridade, a menos que sejam especificados como metadados não filtráveis no momento da criação do índice vetorial. Para gerar novas incorporações vetoriais de seus dados não estruturados, você pode usar a API InvokeModel da Amazon Bedrock, especificando o ID do modelo de incorporação que você deseja usar.

Você pode usar a API GetVectors para pesquisar e retornar vetores e metadados associados pela chave vetorial.

Você pode executar uma consulta de similaridade com a API QueryVectors, especificando o vetor de consulta, o número de resultados relevantes a serem retornados (os k principais vizinhos mais próximos) e o ARN do índice. Ao gerar o vetor de consulta, você deve usar o mesmo modelo de incorporação usado para gerar os vetores iniciais armazenados no índice vetorial. Por exemplo, se você usa o Incorporador de Texto do Amazon Titan v2 no Amazon Bedrock para gerar incorporações de seus documentos, é recomendável usar o mesmo modelo para converter uma pergunta em vetor. Além disso, você pode usar filtros de metadados em uma consulta para pesquisar vetores que correspondam ao filtro. Quando você executa a consulta de similaridade, por padrão, as chaves vetoriais são retornadas. Opcionalmente, você pode incluir a distância e os metadados na resposta.

O S3 Vectors oferece armazenamento vetorial altamente durável e disponível. Os dados gravados no S3 Vectors são armazenados no S3, que foi projetado para 11 noves de durabilidade de dados. Projetado para oferecer disponibilidade de 99,99% com um SLA de disponibilidade de 99,9%.

O S3 Vectors oferece tempos de latência de consulta inferiores a um segundo. Ele usa o throughput elástico do Amazon S3 para lidar com pesquisas em milhões de vetores e é ideal para workloads de consultas pouco frequentes.

Para realizar consultas de similaridade para suas incorporações vetoriais, vários fatores podem afetar a recuperação média, incluindo o modelo de incorporação, o tamanho do conjunto de dados vetoriais (número de vetores e dimensões) e a distribuição das consultas. O S3 Vectors oferece uma recuperação média de mais de 90% para a maioria dos conjuntos de dados. A recuperação média mede a qualidade dos resultados da consulta. 90% significa que a resposta contém 90% dos vetores mais próximos da verdade básica, que estão armazenados no índice, do vetor da consulta. No entanto, como a performance real pode variar dependendo do seu caso de uso específico, recomendamos realizar seus próprios testes com dados e consultas representativas para validar se os índices vetoriais do S3 atendem aos seus requisitos de recall.

Você pode ver uma lista de vetores em um índice vetorial com a API ListVectors, que retorna até 1.000 vetores por vez com um indicador se a resposta estiver truncada. A resposta inclui a data da última modificação, a chave vetorial, os dados vetoriais e os metadados. Você também pode usar a API ListVectors para exportar facilmente dados vetoriais de um índice vetorial especificado. A operação ListVectors é fortemente consistente. Então, depois de escrever, você pode listar imediatamente os vetores com todas as alterações refletidas.

Com o S3 Vectors, você paga pelo armazenamento e por todas as solicitações de gravação e leitura aplicáveis (por exemplo, inserção de vetores e execução de operações de consulta em vetores em um índice vetorial). Para ver os detalhes de preços, consulte a página de preços do S3.

Sim. Ao criar uma base de conhecimento do Bedrock por meio do console ou da API do Bedrock, você pode configurar um índice vetorial do S3 como sua loja de vetores para economizar nos custos de armazenamento de vetores para casos de uso do RAG. Se você preferir deixar o Bedrock criar e gerenciar o índice vetorial para você, use o fluxo de trabalho Quick Create no console do Bedrock. Além disso, você pode configurar um novo índice vetorial do S3 como seu armazenamento de vetores para fluxos de trabalho RAG no Estúdio Unificado Amazon SageMaker.

Sim. Há duas maneiras de usar os vetores do S3 com o Amazon OpenSearch Service. Primeiro, os clientes do S3 podem exportar todos os vetores de um índice vetorial do S3 para o OpenSearch Serverless como uma nova coleção sem servidor usando o console do S3 ou do OpenSearch. Se você criar nativamente no S3 Vectors, você se beneficiará de poder usar o OpenSearch Serverless seletivamente para workloads com necessidades de consulta em tempo real. Em segundo lugar, se você é um cliente gerenciado do OpenSearch, agora pode escolher o S3 Vectors como seu mecanismo para dados vetoriais que podem ser consultados com latência inferior a um segundo. O OpenSearch então usará automaticamente o S3 Vectors como mecanismo subjacente para vetores e você poderá atualizar e pesquisar seus dados vetoriais usando as APIs do OpenSearch. Você obtém os benefícios de custo do S3 Vectors, sem alterações em suas aplicações.

Os Pontos de Acesso Amazon S3 são endpoints que simplificam o gerenciamento do acesso aos dados para qualquer aplicação ou serviço da AWS que funcione com o S3. Os Pontos de Acesso S3 funcionam com buckets do S3 e com os sistemas de arquivos do Amazon FSx para OpenZFS. Você pode controlar e simplificar a forma como diferentes aplicações ou usuários podem acessar dados criando pontos de acesso com nomes e permissões personalizados para cada aplicação ou usuário.

Usando os Pontos de Acesso do S3 com buckets do S3, você não precisa mais gerenciar uma política de bucket única e complexa com centenas de regras de permissão diferentes que precisam ser gravadas, lidas, rastreadas e auditadas. Em vez disso é possível criar centenas de pontos de acesso por bucket que fornecem um caminho personalizado em um bucket, com um nome de host e uma política de acesso únicos, que aplica as permissões e os controles de rede específicos para qualquer solicitação feita por meio do ponto de acesso.

Usando Pontos de Acesso S3 com FSx para OpenZFS, você pode acessar seus dados do FSx usando a API do S3 como se os dados estivessem no S3. Com esse recurso, seus dados de arquivo no FSx para OpenZFS podem ser usados com a ampla variedade de serviços e aplicações de inteligência artificial, machine learning e analytics que funcionam com o S3, enquanto seus dados de arquivo continuam residindo no sistema de arquivos do FSx para OpenZFS.

Com os pontos de acesso do S3, você pode acessar dados de arquivos no Amazon FSx para OpenZFS usando APIs do S3 e sem mover dados para o S3. Os pontos de acesso S3 conectados aos sistemas de arquivos FSx para OpenZFS funcionam de forma semelhante à forma como os pontos de acesso S3 conectados aos buckets do S3 funcionam, fornecendo acesso aos dados via S3 com acesso controlado por políticas de acesso, enquanto os dados continuam sendo armazenados nos sistemas de arquivos FSx para OpenZFS ou nos buckets do S3. Por exemplo, quando um ponto de acesso S3 é conectado a um sistema de arquivos FSx for OpenZFS, os clientes podem usar o ponto de acesso com serviços e aplicações de IA generativa, machine learning e analytics que funcionam com o S3 para acessar seus dados do FSx para OpenZFS.

Você pode importar dados da mesma região da AWS para a classe de armazenamento S3 Express One Zone por meio do console do S3 usando a opção Importar depois de criar um bucket de diretório. A importação simplifica a cópia de dados para os buckets do diretório S3, permitindo que você escolha um prefixo ou intervalo do qual importar dados sem precisar especificar todos os objetos a serem copiados individualmente. As Operações em lote do S3 copiam os objetos no prefixo selecionado ou no bucket de uso geral, e você pode monitorar o progresso do trabalho de cópia de importação por meio da página de detalhes do trabalho de Operações em lote do S3.

Os buckets de diretório do S3 que não tiverem nenhuma atividade de solicitação por um período de pelo menos 3 meses passarão para um estado inativo. Enquanto estiver em um estado inativo, um bucket de diretório fica temporariamente inacessível para leituras e gravações. Os buckets inativos retêm todo o armazenamento, os metadados do objeto e os metadados do bucket. As taxas de armazenamento existentes serão aplicadas aos buckets inativos. Em uma solicitação de acesso a um bucket inativo, o bucket passará para um estado ativo, normalmente em alguns minutos. Durante esse período de transição, as leituras e gravações retornarão um código de erro 503 SlowDown.

Você deve usar os Metadados do Amazon S3 se quiser usar o SQL para consultar as informações sobre seus objetos do S3 para identificar rapidamente conjuntos de dados específicos para sua IA generativa, analytics e outros casos de uso. Os Metadados do S3 mantêm os metadados atualizados quase em tempo real, para que você possa usar qualquer cliente compatível com o Iceberg para executar consultas SQL para encontrar objetos pelos metadados do objeto. Por exemplo, você pode usar uma consulta SQL para retornar uma lista de objetos que correspondem a determinados filtros, como objetos adicionados nos últimos 30 dias em qualquer bucket.

Os S3 Metadata foi projetado para gerar automaticamente metadados que fornecem informações adicionais sobre objetos que são carregados em um bucket e para tornar esses metadados consultáveis em uma tabela somente para leitura. Essas tabelas de metadados são armazenadas nas tabelas do Amazon S3, que são criadas no Apache Iceberg e fornecem uma forma gerenciada de armazenar e consultar dados tabulares no S3. O Metadados do S3 cria e mantém metadados em nível de sistema, como tamanho de objetos, metadados personalizados, como etiquetas e metadados definidos pelo usuário durante o upload de objetos, e metadados de eventos, como o endereço IP que enviou a solicitação. À medida que os dados em seu bucket mudam, o S3 Metadata atualiza quase em tempo real para refletir as mudanças mais recentes. Em seguida, você pode consultar suas tabelas de metadados usando vários serviços do AWS Analytics e ferramentas de código aberto que são compatíveis com o Iceberg, incluindo o Amazon Athena, Amazon QuickSight e Apache Spark.

Você pode começar a usar o S3 Metadata em apenas alguns cliques no Console de Gerenciamento do S3. Basta selecionar o bucket do S3 de uso geral em que você gostaria de ativar o S3 Metadata, e o S3 analisará os dados em seu bucket e criará uma tabela Apache Iceberg totalmente gerenciada com os metadados de todos os seus objetos. Em minutos, você poderá começar a consultar seus metadados usando qualquer mecanismo de consulta ou ferramenta compatível com o Apache Iceberg.

Suas tabelas de metadados do S3 são armazenadas em um bucket de tabelas gerenciado pela AWS em sua conta da AWS chamado aws-s3. Suas tabelas serão somente para leitura e somente o S3 terá permissão para gravar, atualizar ou excluir metadados. 

Os Metadados do S3 armazenam metadados em duas tabelas gerenciadas em sua conta: tabelas de diário e tabelas de inventário ao vivo. 

A tabela do diário dos Metadados do S3 fornece uma visão das alterações feitas em seu bucket. À medida que os objetos são adicionados, atualizados e removidos de seus buckets do S3 de uso geral, as alterações correspondentes são refletidas nas tabelas do diário quase em tempo real. As tabelas de diário são úteis para entender o comportamento de seus aplicativos e para identificar qualquer alteração feita em seus conjuntos de dados. Por exemplo, você pode escrever consultas SQL para tabelas de diário para encontrar objetos do S3 que correspondam a um filtro, como objetos adicionados nos últimos 30 dias, objetos que foram adicionados por solicitantes ativos ou objetos que tiveram alterações de metadados na última semana.

A tabela de inventário ao vivo dos Metadados do S3 contém uma lista completa de todos os objetos em seu bucket. As tabelas de inventário ao vivo são atualizadas de hora em hora e contêm todas as informações que o S3 conhece sobre seus objetos. As tabelas de inventário em tempo real são úteis para descobrir ou identificar conjuntos de dados em seu bucket, com base nas características geradas nos metadados do objeto. Por exemplo, você pode usar tabelas de inventário em tempo real para identificar conjuntos de dados de treinamento para machine learning, para usar em exercícios de otimização de custos de armazenamento ou para ajudar a aplicar controles de governança.

Ao adicionar novos objetos ao seu bucket, você verá entradas na tabela do diário em minutos e verá entradas na tabela de inventário ao vivo na próxima atualização de hora em hora. Quando você ativa os metadados do S3 em um bucket existente, o S3 inicia automaticamente uma operação de preenchimento para gerar metadados para todos os seus objetos existentes. Esse preenchimento normalmente termina em minutos, mas pode levar várias horas se seus conjuntos de dados existentes contiverem milhões ou bilhões de objetos do S3.

O relatório do Inventário S3 oferece uma alternativa programada à API List síncrona do Amazon S3. Você pode configurar o Inventário S3 para fornecer uma saída de arquivo CSV ORC ou Parquet dos objetos e seus metadados correspondentes com frequência diária ou semanal para um bucket ou prefixo do S3. É possível simplificar e acelerar fluxos de trabalho empresariais e tarefas de big data com o Inventário S3. Você também pode usar o Inventário S3 para verificar o status de criptografia e replicação de objetos para atender a necessidades empresariais, de conformidade ou normativas. Saiba mais no guia do usuário do Inventário Amazon S3.

O S3 Tables fornece um armazenamento do S3 desenvolvido com propósito específico para armazenar dados estruturados no formato Apache Parquet, Avro e ORC. Em um bucket de tabelas, é possível criar tabelas como recursos primários diretamente no S3. Essas tabelas podem ser protegidas com permissões a nível de tabela definidas em políticas baseadas em identidade ou em recursos e são acessíveis por aplicações ou ferramentas compatíveis o padrão do Apache Iceberg. Ao criar uma tabela no bucket de tabelas, os dados subjacentes no S3 são armazenados como arquivos no formato Parquet, Avro ou ORC. Em seguida, o S3 usa o padrão do Apache Iceberg para armazenar os metadados necessários para tornar esses dados consultáveis pelas aplicações. O S3 Tables inclui uma biblioteca de cliente que é usada por mecanismos de consulta para navegar e atualizar os metadados do Iceberg das tabelas no bucket de tabelas. Essa biblioteca, em conjunto com as APIs do S3 atualizadas para operações de tabelas, permite que vários clientes realizem a leitura e a gravação de dados com segurança em suas tabelas. Ao longo do tempo, o S3 realiza a otimização automática dos dados no formato Parquet, Avro ou ORC subjacentes ao reescrever ou “compactar” os objetos. A compactação otimiza os dados armazenados no S3 para aprimorar a performance das consultas.

Você pode começar a usar o S3 Tables em apenas algumas etapas simples, sem precisar montar nenhuma infraestrutura fora do S3. Primeiro, crie um bucket de tabela no console do S3. Como parte da criação do seu primeiro bucket de tabela por meio do console, a integração com os serviços do AWS Analytics ocorre automaticamente, o que permite que o S3 preencha automaticamente todos os buckets e tabelas da sua conta e região no Catálogo de Dados do AWS Glue. Depois disso, o S3 Tables estará acessível aos mecanismos de consulta da AWS, como Amazon Athena, EMR e Redshift. Em seguida, você poderá clicar para criar uma tabela usando o Amazon Athena a partir do console do S3. Uma vez no Athena, você poderá começar a preencher novas tabelas e consultá-las rapidamente.

Como alternativa, você pode acessar as tabelas do S3 usando o endpoint do catálogo Iceberg REST por meio do Catálogo de Dados do AWS Glue, que permite descobrir todo o seu patrimônio de dados, incluindo todos os recursos da tabela. Você também pode se conectar diretamente a um endpoint de bucket de tabela individual para descobrir todos os recursos do S3 Tables dentro desse bucket. Isso permite que você use o S3 Tables com qualquer aplicação ou mecanismo de consulta compatível com a especificação do catálogo REST do Apache Iceberg.

Você pode esperar uma performance de consultas até três vezes mais rápida e até dez vezes mais transações por segundo (TPS) em comparação ao armazenamento de tabelas do Iceberg em buckets de uso geral do Amazon S3. Isso ocorre porque os buckets de tabela compactam automaticamente os dados subjacentes no formato Parquet, Avro ou ORC para suas tabelas a fim de otimizar a performance de consultas, e o armazenamento com propósito específico oferece suporte a dez vezes mais o volume padrão de TPS.

Os buckets de tabela permitem aplicar políticas de recursos a todo o bucket ou a tabelas individuais. As políticas de bucket de tabela podem ser aplicadas usando as APIs PutTablePolicy e PutTableBucketPolicy. As políticas em nível de tabela permitem que você gerencie permissões para tabelas em seus buckets de tabela com base na tabela lógica à qual elas estão associadas, sem precisar entender a localização física de arquivos individuais no formato Parquet, Avro ou ORC. Além disso, o Bloqueio de Acesso Público do S3 é sempre aplicado aos buckets de tabela.

Os buckets de tabela oferecem suporte ao formato de tabela Apache Iceberg com dados no formato Parquet, Avro ou ORC.