PySpark store state in Parquet error on 2nd write – It is possible the underlying files have been updated

I am using PySpark and implemented a some pipelines using batch processing. This pipelines need to save some state between batches so i created my own state manager (is there a better way in general?):

class StateManager:

    SCHEMA_KEY = 'schema'

    def __init__(self, spark: SparkSession, config: UMSConfig):
        self.spark = spark
        if not self.spark:
            raise ValueError("Spark is not set.")

        self.state_folder = config.UMS_STATE_FOLDER

        if not self.state_folder:
            raise ValueError("UMS_STATE_FOLDER is not set in config.")

        self.meta_file = os.path.join(self.state_folder, "ums_meta.json")
        self.states = self._load_metadate()


    def _load_metadate(self):
        try:
            with open(self.meta_file, 'r') as f:
                return json.load(f)
        except FileNotFoundError:
            logging.info("UMS state metadata file not found. Will create on demand.")
            return {}

    def _save_metadata(self):
        with open(self.meta_file, 'w') as f:
            json.dump(self.states, f)

    def update_state_metadata(self, state_id: str, schema, description: str):
        self.states[state_id] = {
            ('%s' % StateManager.SCHEMA_KEY): schema.jsonValue(),
            'description': description
        }
        self._save_metadata()

    def load_state(self, state_id: str, msn: str):

        if not msn:
            raise ValueError("MSN must be provided.")
        if state_id not in self.states:
            raise ValueError(f"State {state_id} not found. Use update_state_metadata first to register it.")

        path = os.path.join(self.state_folder, state_id, msn)
        schema = StructType.fromJson(self.states[state_id][StateManager.SCHEMA_KEY])

        try:
            return self.spark.read.schema(schema).parquet(path)
        except AnalysisException:
            logging.info(f"State {state_id} not found yet. Will create new empty state.")
            return self.spark.createDataFrame([], schema)

    def save_state(self, state_id: str, msn: str, new_state: DataFrame):

        if state_id not in self.states:
            raise ValueError(f"State {state_id} not found. Use update_state_metadata first to register it.")

        path = os.path.join(self.state_folder, state_id, msn)
        new_state.write.mode("overwrite").parquet(path)

I created a test that tries to create a full cycle:

  • add a new state schema
  • save state
  • read it
  • change the data frame by union with new data
  • save again <- ERROR It is possible the underlying files have been updated. You can explicitly invalidate the cache in Spark by running 'REFRESH TABLE tableName' command in SQL or by recreating the Dataset/DataFrame involved.

Adding

self.spark.catalog.refreshByPath(path)

As last line to save_state did not helped.

For sake of completeness the test:

class TestStateManagement:

    @pytest.fixture(autouse=True)
    def init_test(self, spark_unit_test_fixture, tmp_path):
        self.spark = spark_unit_test_fixture
        self.path = tmp_path

    def test_state_manager(self):
        ums_config = mock(UMSConfig)
        ums_config.UMS_STATE_FOLDER = self.path

        state_manager = StateManager(self.spark, ums_config)
        schema = StructType([StructField("time", IntegerType()), StructField("value", DoubleType())])

        state_id = "last_closing_times"
        state_manager.update_state_metadata(state_id,
                                            schema,
                                            "stores the last 3 closing times")

        assert state_manager.states[state_id][StateManager.SCHEMA_KEY] == schema.jsonValue()

        new_state = self.spark.createDataFrame([(1, 1.0), (2, 2.0), (3, 3.0)], schema)
        state_manager.save_state(state_id, "pc24_666", new_state)

        loaded_state = state_manager.load_state(state_id, "pc24_666")
        assert loaded_state.count() == 3

        new_state = self.spark.createDataFrame([(4, 4.0), (5, 5.0), (6, 6.0)], schema)
        updated_state = loaded_state.union(new_state)
        state_manager.save_state(state_id, "pc24_666", updated_state) # Error occurs here

        updated_state = state_manager.load_state(state_id, "pc24_666")
        assert updated_state.count() == 6

How to solve this problem?

Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa Dịch vụ tổ chức sự kiện 5 sao Thông tin về chúng tôi Dịch vụ sinh nhật bé trai Dịch vụ sinh nhật bé gái Sự kiện trọn gói Các tiết mục giải trí Dịch vụ bổ trợ Tiệc cưới sang trọng Dịch vụ khai trương Tư vấn tổ chức sự kiện Hình ảnh sự kiện Cập nhật tin tức Liên hệ ngay Thuê chú hề chuyên nghiệp Tiệc tất niên cho công ty Trang trí tiệc cuối năm Tiệc tất niên độc đáo Sinh nhật bé Hải Đăng Sinh nhật đáng yêu bé Khánh Vân Sinh nhật sang trọng Bích Ngân Tiệc sinh nhật bé Thanh Trang Dịch vụ ông già Noel Xiếc thú vui nhộn Biểu diễn xiếc quay đĩa Dịch vụ tổ chức tiệc uy tín Khám phá dịch vụ của chúng tôi Tiệc sinh nhật cho bé trai Trang trí tiệc cho bé gái Gói sự kiện chuyên nghiệp Chương trình giải trí hấp dẫn Dịch vụ hỗ trợ sự kiện Trang trí tiệc cưới đẹp Khởi đầu thành công với khai trương Chuyên gia tư vấn sự kiện Xem ảnh các sự kiện đẹp Tin mới về sự kiện Kết nối với đội ngũ chuyên gia Chú hề vui nhộn cho tiệc sinh nhật Ý tưởng tiệc cuối năm Tất niên độc đáo Trang trí tiệc hiện đại Tổ chức sinh nhật cho Hải Đăng Sinh nhật độc quyền Khánh Vân Phong cách tiệc Bích Ngân Trang trí tiệc bé Thanh Trang Thuê dịch vụ ông già Noel chuyên nghiệp Xem xiếc khỉ đặc sắc Xiếc quay đĩa thú vị
Trang chủ Giới thiệu Sinh nhật bé trai Sinh nhật bé gái Tổ chức sự kiện Biểu diễn giải trí Dịch vụ khác Trang trí tiệc cưới Tổ chức khai trương Tư vấn dịch vụ Thư viện ảnh Tin tức - sự kiện Liên hệ Chú hề sinh nhật Trang trí YEAR END PARTY công ty Trang trí tất niên cuối năm Trang trí tất niên xu hướng mới nhất Trang trí sinh nhật bé trai Hải Đăng Trang trí sinh nhật bé Khánh Vân Trang trí sinh nhật Bích Ngân Trang trí sinh nhật bé Thanh Trang Thuê ông già Noel phát quà Biểu diễn xiếc khỉ Xiếc quay đĩa
Thiết kế website Thiết kế website Thiết kế website Cách kháng tài khoản quảng cáo Mua bán Fanpage Facebook Dịch vụ SEO Tổ chức sinh nhật