docs(manual): обновлена структура проекта и добавлены задания

- Зачем:
  - необходимо отразить в документации новый пайплайн загрузки CSV в PostgreSQL.
  - студентам нужны конкретные задания для закрепления навыков ETL и Data Quality.
- Что:
  - обновлен README.md: добавлено описание новых DAG-ов, папок sql/ и tests/, актуализирован путь обучения.
  - обновлен educational-tasks.md: добавлены 4 новых задания (ETL, PostgresOperator, DQ проверки, Trigger Rules) и обновлен блок оценки прогресса.
- Проверка:
  - визуальная проверка файлов README.md и educational-tasks.md в репозитории.

airflow-docker/README.md

@@ -96,9 +96,17 @@ airflow-docker/
 │   ├── hello_world_dag.py      # Базовый пример
 │   ├── sql_basic_dag.py        # Работа с SQL
 │   ├── file_operations_dag.py  # Обработка файлов
-│   ├── data_processing_dag.py  # ETL пайплайн
+│   ├── csv_to_postgres.py      # Загрузка CSV в Postgres (ETL)
+│   ├── csv_to_postgres_dq.py   # Проверки качества данных (DQ)
+│   ├── data_processing_dag.py  # Сложный ETL пайплайн
 │   ├── branching_dag.py        # Условная логика
 │   └── error_handling_dag.py   # Обработка ошибок
+├── helpers/                    # Вспомогательные скрипты
+│   └── postgres.py             # Функции для работы с БД и DQ
+├── tests/                      # Unit-тесты для хелперов
+│   └── test_postgres_helpers.py # Тестирование DQ проверок
+├── sql/                        # SQL скрипты и DDL
+│   └── base/                   # Базовые DDL таблиц
 ├── data/                       # Данные для упражнений
 │   ├── input/                  # Входные данные
 │   └── output/                 # Результаты обработки
@@ -129,6 +137,8 @@ airflow-docker/
 
 **Примеры DAG:**
 - `file_operations_dag.py` - работа с файлами
+- `csv_to_postgres.py` - загрузка данных из CSV в PostgreSQL
+- `csv_to_postgres_dq.py` - автоматизированные проверки качества (Data Quality)
 - `data_processing_dag.py` - ETL процессы
 
 ### Продвинутые возможности
@@ -159,8 +169,9 @@ airflow-docker/
 1. **Начните с `hello_world_dag.py`** - освоите основы Airflow
 2. **Перейдите к `sql_basic_dag.py`** - изучите работу с базами данных
 3. **Попрактикуйтесь на `file_operations_dag.py`** - работа с файлами
-4. **Освойте ETL на `data_processing_dag.py`** - обработка данных
+4. **Освойте ETL и DQ на `csv_to_postgres.py` и `csv_to_postgres_dq.py`** - загрузка и валидация данных
-5. **Изучите продвинутые темы** - ветвление и обработка ошибок
+5. **Разберите сложный ETL на `data_processing_dag.py`** - обработка данных
+6. **Изучите продвинутые темы** - ветвление и обработка ошибок
 
 Каждое задание содержит:
 - Цель и сложность выполнения

airflow-docker/educational-tasks.md

@@ -128,6 +128,63 @@
 
 ---
 
+## 🐘 Задания для csv_to_postgres.py
+
+**Цель:** Освоить паттерны загрузки данных (ETL) из файлов в базу данных и применение XCom.
+
+### Задание 1: Расширение структуры данных
+**Сложность:** 🟢 Начальная
+**Время выполнения:** 15-20 минут
+
+**Задача:**
+- Добавьте в генератор CSV новую колонку `status` (например, со случайными значениями 'NEW', 'PROCESSING', 'COMPLETED').
+- Обновите функцию `_create_table`, чтобы учесть новую колонку.
+- Запустите DAG и проверьте, что данные успешно загрузились с новой колонкой.
+
+**Цель задания:** Понять процесс изменения схемы данных на всех этапах пайплайна.
+
+### Задание 2: Использование PostgresOperator
+**Сложность:** 🟡 Средняя
+**Время выполнения:** 20-25 минут
+
+**Задача:**
+- Перепишите задачу `create_orders_table`. Сейчас она использует `PythonOperator` и прямое подключение через `psycopg2`.
+- Замените её на использование стандартного `PostgresOperator`, используя заранее созданный Connection.
+- Убедитесь, что пайплайн продолжает работать корректно.
+
+**Цель задания:** Научиться использовать специализированные операторы для работы с БД вместо кастомного Python-кода.
+
+---
+
+## 🛡️ Задания для csv_to_postgres_dq.py
+
+**Цель:** Освоить подходы к обеспечению качества данных (Data Quality) в Airflow.
+
+### Задание 1: Новая проверка качества
+**Сложность:** 🟡 Средняя
+**Время выполнения:** 20-25 минут
+
+**Задача:**
+- Добавьте новую функцию проверки в `helpers/postgres.py`, которая будет убеждаться, что все значения в колонке `amount` строго больше нуля.
+- Добавьте вызов этой функции как новую задачу в DAG `csv_to_postgres_dq`.
+- Встройте новую задачу в общую цепочку выполнения (например, перед `dq_summary`).
+
+**Цель задания:** Научиться расширять набор проверок качества данных.
+
+### Задание 2: Управление статусом при ошибках (Trigger Rules)
+**Сложность:** 🟠 Продвинутая
+**Время выполнения:** 25-30 минут
+
+**Задача:**
+- Смоделируйте ошибку (например, временно измените данные так, чтобы проверки не прошли).
+- По умолчанию, если падает одна проверка, следующие не выполняются (поведение `all_success`).
+- Измените параметры задач так (с помощью `trigger_rule`), чтобы выполнялись *все* проверки, даже если некоторые из них упали.
+- Сделайте так, чтобы задача `dq_summary` могла анализировать статусы предыдущих задач и отражать общий итог.
+
+**Цель задания:** Освоить продвинутую маршрутизацию статусов задач с помощью `trigger_rule`.
+
+---
+
 ## 🔄 Задания для data_processing_dag.py
 
 **Цель:** Освоить ETL процессы и работу с бизнес-логикой.
@@ -297,7 +354,6 @@
 ## 📊 Оценка прогресса
 
 - 🟢 **Начальный уровень:** Выполнены задания для hello_world_dag и sql_basic_dag
-- 🟡 **Средний уровень:** Выполнены задания для file_operations_dag и data_processing_dag  
+- 🟡 **Средний уровень:** Выполнены задания для file_operations_dag, csv_to_postgres.py, csv_to_postgres_dq.py и data_processing_dag
 - 🟠 **Продвинутый уровень:** Выполнены все задания, включая branching_dag, error_handling_dag и дополнительные задания по пулам, XCom, TaskGroup и алертингу
-
 Удачи в изучении Apache Airflow! 🚀