对于较小数据量的ETL作业，AWS Lambda可能更适合。下面是一个Lambda函数的示例代码，将从S3存储桶中读取JSON文件，并返回处理后的结果。

import json
import boto3

s3 = boto3.resource('s3')

def lambda_handler(event, context):
    bucket = "my-s3-bucket"
    key = "path/to/my/json/file.json"

    obj = s3.Object(bucket, key)
    data = obj.get()['Body'].read().decode('utf-8')
    json_data = json.loads(data)

    # 进行ETL处理

    return {
        "statusCode": 200,
        "body": json.dumps(response)
    }

对于较大数据集，我们可以考虑使用AWS批处理服务。下面是一个批处理作业定义的示例，用于从S3中导入CSV文件，并将数据加载到Redshift中。

version: 0.3
parameters:
  input_s3_uri:
    type: String
    description: S3路径，包含CSV文件
    default: s3://my-bucket/my-input-folder/
  cluster_id:
    type: String
    description: 需要执行批处理作业的Redshift集群的名称
  database_name:
    type: String
    description: 数据库名
    default: my_database
  table_name:
    type: String
    description: 要将CSV数据加载到其中的Redshift表格名称
    default: my_table
  iam_role:
    type: String
    description: 需要从S3中读取CSV文件的IAM角色
jobs:
  - name: load_csv_to_redshift
    jobDefinition: "arn:aws:batch:region:aws_account_id:job-definition/load-csv-to-redshift:1"
    parameters:
      InputS3Uri: !Ref input_s3_uri
      ClusterId: !Ref cluster_id
      DatabaseName: !Ref database_name
      TableName: !Ref table_name
      IAMRole: !Ref iam_role