docs(airflow): обновлены практические задания

- Зачем: - упражнения должны быть понятнее и соответствовать ожидаемому уровню сложности. - Что: - добавлены подсказки и описания подводных камней. - упрощены задания по отчетам, мониторингу и логированию. - Проверка: - git diff --check.
2026-07-26 23:58:10 +03:00
parent eaea33e761
commit ab1b61f396
1 changed files with 199 additions and 81 deletions
@@ -2,139 +2,182 @@
 Этот документ содержит практические задания для закрепления знаний по Apache Airflow. Каждое задание соответствует одному из учебных DAG'ов и направлено на лучшее понимание конкретных концепций.
-## 📋 Общие инструкции
+## Общие инструкции
 Перед выполнением заданий:
 1. Убедитесь, что стенд Airflow запущен: `docker-compose up -d`
 2. Проверьте доступность интерфейса: http://localhost:8080
 3. Ознакомьтесь с соответствующим DAG'ом в интерфейсе Airflow
 4. Откройте исходный код DAG'а и прочитайте описание в начале файла
 ---
-## 🚀 Задания для hello_world_dag.py
+## Задания для hello_world_dag.py
-**Цель:** Освоить базовые концепции Airflow - создание задач, зависимости, операторы.
+**Цель:** Освоить базовые концепции Airflow — создание задач, зависимости, операторы.
 ### Задание 1: Модификация существующих задач
-**Сложность:** 🟢 Начальная
+**Сложность:** Начальная
 **Время выполнения:** 10-15 минут
 **Задача:**
 - Откройте файл `hello_world_dag.py`
 - Измените текст в функциях `print_hello()`, `print_date()`, `print_goodbye()` на русский язык
 - Добавьте новую задачу, которая выводит текущую погоду (можно использовать фиктивные данные)
 **Подсказка:**
 - Новая задача создаётся по аналогии с `date_task` — нужна Python-функция и `PythonOperator` для неё
 - Не забудьте встроить задачу в цепочку зависимостей (`>>`)
 - После сохранения файла DAG подхватится автоматически — запустите его вручную через UI и проверьте логи
 **Цель задания:** Понять структуру DAG, научиться добавлять и модифицировать задачи.
 ### Задание 2: Изменение расписания
-**Сложность:** 🟢 Начальная  
+**Сложность:** Начальная
 **Время выполнения:** 5-10 минут
 **Задача:**
 - Измените `schedule_interval` с ежедневного на еженедельное выполнение
 - Добавьте параметр `max_active_runs` для ограничения одновременных запусков
 - Проверьте изменения в интерфейсе Airflow
 **Подсказка:**
 - Расписание задаётся в параметрах `DAG(...)` — ищите `schedule_interval`
 - Можно использовать `timedelta(weeks=1)` или cron-выражение (например, `'0 0 * * 1'`)
 - `max_active_runs` — тоже параметр `DAG()`
 **Цель задания:** Освоить настройку расписания и параметров выполнения DAG.
 ### Задание 3: Добавление BashOperator
-**Сложность:** 🟡 Средняя
+**Сложность:** Средняя
 **Время выполнения:** 15-20 минут
 **Задача:**
 - Добавьте задачу с `BashOperator`, которая создает текстовый файл в папке `/opt/airflow/data/output/`
 - Настройте зависимости так, чтобы эта задача выполнялась между `date_task` и `end_task`
 - Убедитесь, что файл создается при каждом запуске DAG
 **Подсказка:**
 - Импорт `BashOperator` уже есть в файле — посмотрите шапку
 - `BashOperator` принимает параметр `bash_command` со строкой shell-команды
 - Для записи в файл подойдёт обычный `echo "текст" > /path/to/file.txt`
 - Проверить результат можно: `docker-compose exec airflow-webserver cat /opt/airflow/data/output/<ваш_файл>`
 **Цель задания:** Научиться работать с разными типами операторов.
 ---
-## 🗄️ Задания для sql_basic_dag.py
+## Задания для sql_basic_dag.py
 **Цель:** Освоить работу с базами данных через Airflow.
 ### Задание 1: Расширение структуры таблицы
-**Сложность:** 🟡 Средняя
+**Сложность:** Средняя
 **Время выполнения:** 20-25 минут
 **Задача:**
 - Добавьте в таблицу `students_sample` новые поля: `email`, `phone`, `registration_date`
- Модифицируйте SQL запросы для работы с новой структурой
+- Модифицируйте SQL-запросы для работы с новой структурой
 - Добавьте задачу для обновления существующих записей
 **Подсказка:**
 - Новые колонки добавляются в переменную `create_table_sql` — подберите подходящие типы (VARCHAR, DATE и т.д.)
 - Не забудьте обновить `insert_data_sql` — количество значений в INSERT должно совпадать с количеством колонок
 - Для задачи UPDATE создайте новую SQL-переменную и новый `PostgresOperator` по аналогии с существующими
 - **Подводный камень:** `TRUNCATE TABLE` не изменяет структуру. Чтобы новые колонки появились, замените его на `DROP TABLE IF EXISTS`
 **Цель задания:** Научиться работать с миграциями схемы базы данных.
 ### Задание 2: Создание отчетов
-**Сложность:** 🟡 Средняя
+**Сложность:** Средняя
 **Время выполнения:** 25-30 минут
 **Задача:**
 - Добавьте задачу, которая создает сводный отчет по данным студентов
 - Отчет должен содержать: количество студентов, средний возраст, распределение по возрасту
 - Сохраните отчет в файл в папке `/opt/airflow/data/output/`
 **Подсказка:**
 - Здесь понадобится `PythonOperator`, а не `PostgresOperator` — потому что нужно получить результат SQL и записать в файл
 - Для подключения к БД из Python-функции используйте `PostgresHook` (импорт: `from airflow.providers.postgres.hooks.postgres import PostgresHook`)
 - У хука есть метод `get_conn()`, который возвращает обычное psycopg2-соединение — дальше работайте через `cursor.execute()` и `fetchone()`
 - Задачу поставьте перед `drop_table` в цепочке зависимостей
 **Цель задания:** Освоить создание аналитических отчетов в DAG'ах.
 ### Задание 3: Работа с соединениями
-**Сложность:** 🟡 Средняя
+**Сложность:** Средняя
 **Время выполнения:** 15-20 минут
 **Задача:**
 - Создайте новое соединение к базе данных через Airflow UI
 - Модифицируйте DAG для использования нового соединения
 - Добавьте обработку ошибок подключения к БД
 **Подсказка:**
 - Соединения создаются в UI: Admin → Connections → "+"
 - Параметры для нашей учебной БД: Host = `postgres-training`, Schema = `training`, Login = `student`, Password = `student`, Port = `5432`
 - В DAG-файле соединение указывается через `postgres_conn_id` — замените значение на ваш новый Conn Id
 - Для проверки ошибок попробуйте указать несуществующее соединение и посмотрите, что покажут логи
 **Цель задания:** Научиться управлять соединениями с внешними системами.
 ---
-## 📁 Задания для file_operations_dag.py
+## Задания для file_operations_dag.py
 **Цель:** Освоить работу с файлами и данными в Airflow.
 ### Задание 1: Модификация генерации данных
-**Сложность:** 🟡 Средняя
+**Сложность:** Средняя
 **Время выполнения:** 20-25 минут
 **Задача:**
 - Добавьте новые поля в генерируемые данные: `department`, `experience_years`, `education_level`
 - Модифицируйте валидацию для проверки новых полей
 - Добавьте фильтрацию данных по определенным критериям (например, опыт > 3 года)
 **Подсказка:**
 - Генерация данных происходит в функции `generate_sample_data()` — новые поля добавляются в словарь `data`
 - Для `department` подойдёт `random.choice()` со списком отделов, для `experience_years` — привяжите к возрасту (не может быть больше `age - 18`)
 - Валидация — в функции `read_and_validate_data()`: добавьте `assert` по аналогии с существующими
 - Фильтрацию (pandas `df[df['experience_years'] > 3]`) можно добавить в `transform_data()` и сохранить отдельным файлом
 **Цель задания:** Научиться работать с различными типами данных и валидацией.
 ### Задание 2: Создание дополнительных отчетов
-**Сложность:** 🟡 Средняя
+**Сложность:** Средняя
 **Время выполнения:** 25-30 минут
 **Задача:**
 - Создайте отчет в формате JSON с детальной статистикой по отделам
 - Добавьте визуализацию данных с помощью библиотеки matplotlib (сохранение графика в файл)
 - Создайте сводку по зарплатам в разных возрастных категориях
 **Подсказка:**
 - Создайте новую функцию и новый `PythonOperator`, добавьте в цепочку после `summary_task`
 - Для JSON-отчёта: загрузите processed_data.csv через pandas, сгруппируйте (`groupby`) и сохраните через `json.dump()`
 - matplotlib может быть не установлен в контейнере — это нормально, сделайте эту часть необязательной (обработайте `ImportError`)
 - Не забудьте `import pandas as pd` внутри функции (не в шапке файла!)
 **Цель задания:** Освоить создание комплексных отчетов и визуализацию.
 ### Задание 3: Оптимизация обработки
-**Сложность:** 🟠 Продвинутая
+**Сложность:** Продвинутая
 **Время выполнения:** 30-35 минут
 **Задача:**
 - Разделите обработку данных на параллельные задачи для разных отделов
 - Добавьте контроль качества данных (проверка на дубликаты, аномалии)
 - Реализуйте механизм повторной обработки при ошибках
 **Подсказка:**
 - Параллельные задачи задаются списком: `read_task >> [task_a, task_b, task_c] >> summary_task`
 - Каждая задача фильтрует DataFrame по своему отделу и сохраняет результат в отдельный файл
 - Проверку дубликатов можно сделать через `df['id'].is_unique`
 - Параметры `retries` и `retry_delay` можно задать как у отдельных задач, так и в `default_args`
 **Цель задания:** Научиться оптимизировать и делать обработку данных отказоустойчивой.
 ---
-## 🐘 Задания для csv_to_postgres.py
+## 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
+**Сложность:** Начальная
 **Время выполнения:** 15-20 минут
 **Задача:**
 - Добавьте в генератор CSV новую колонку `status` (например, со случайными значениями 'NEW', 'PROCESSING', 'COMPLETED').
@@ -142,39 +185,51 @@
 - Запустите DAG и проверьте, что данные успешно загрузились с новой колонкой.
 - Убедитесь, что сгенерированный файл появился в каталоге `/opt/airflow/data/output/`.
 **Подсказка:**
 - Новая колонка добавляется в трёх местах: генерация (`_generate_csv`), DDL (`_create_table`), загрузка (`_load_csv` — список колонок в COPY)
 - В `_generate_csv()` для случайных значений подойдёт `random.choices(['NEW', 'PROCESSING', 'COMPLETED'], k=rows)`
 - **Подводный камень:** если таблица уже существует со старой схемой, новая колонка не появится. Удалите таблицу вручную или добавьте `DROP TABLE` перед `CREATE TABLE`
 **Цель задания:** Понять процесс изменения схемы данных на всех этапах пайплайна.
 ### Задание 2: Использование PostgresOperator
-**Сложность:** 🟡 Средняя
+**Сложность:** Средняя
 **Время выполнения:** 20-25 минут
 **Задача:**
 - Перепишите задачу `create_orders_table`. Сейчас она использует `PythonOperator` и `PostgresHook` внутри Python-функции.
 - Замените её на использование стандартного `PostgresOperator`, используя соединение `postgres_training`.
 - Убедитесь, что пайплайн продолжает работать корректно.
 **Подсказка:**
 - Посмотрите, как устроен `sql_basic_dag.py` — там `PostgresOperator` уже используется, можно взять за образец
 - `PostgresOperator` принимает `postgres_conn_id` и `sql` — SQL можно передать прямо строкой
 - После замены проверьте, не осталось ли ссылок на удалённую функцию. `_get_conn()` всё ещё нужна в `_load_csv()`
 **Цель задания:** Научиться использовать специализированные операторы для работы с БД вместо кастомного Python-кода.
 ---
-## 🛡️ Задания для csv_to_postgres_dq.py
+## 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
+**Сложность:** Средняя
 **Время выполнения:** 20-25 минут
 **Задача:**
 - Добавьте новую функцию проверки прямо в `csv_to_postgres_dq.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 `data_quality_summary`).
 **Подсказка:**
 - Возьмите за образец любую из существующих функций проверки (например, `_check_has_rows`) — паттерн одинаковый: подключиться, выполнить SQL, проверить результат, бросить `ValueError` если не ок
 - SQL для проверки: `SELECT COUNT(*) FROM public.orders WHERE amount <= 0`
 - Не забудьте создать `PythonOperator` и добавить задачу в цепочку
 **Цель задания:** Научиться расширять набор проверок качества данных.
 ### Задание 2: Управление статусом при ошибках (Trigger Rules)
-**Сложность:** 🟠 Продвинутая
+**Сложность:** Продвинутая
 **Время выполнения:** 25-30 минут
 **Задача:**
 - Смоделируйте ошибку (например, временно измените данные так, чтобы проверки не прошли).
@@ -182,134 +237,181 @@
 - Измените параметры задач так (с помощью `trigger_rule`), чтобы выполнялись *все* проверки, даже если некоторые из них упали.
 - Сделайте так, чтобы задача `data_quality_summary` могла анализировать статусы предыдущих задач и отражать общий итог.
 **Подсказка:**
 - Для моделирования ошибки: измените `EXPECTED_ORDERS_SCHEMA` так, чтобы схема не совпала. Запустите — увидите, что все задачи после упавшей будут skipped
 - Ключевой параметр — `trigger_rule` у `PythonOperator`. Значение `"all_done"` означает: «запустись в любом случае, когда все upstream завершились (успешно или нет)»
 - Для анализа статусов в `dq_summary`: функция может принимать `**context` и через `context['ti']` получить информацию о статусах предыдущих задач
 - После экспериментов не забудьте вернуть `EXPECTED_ORDERS_SCHEMA` к правильным значениям
 **Цель задания:** Освоить продвинутую маршрутизацию статусов задач с помощью `trigger_rule`.
 ---
-## 🔄 Задания для data_processing_dag.py
+## Задания для data_processing_dag.py
 **Цель:** Освоить ETL процессы и работу с бизнес-логикой.
 ### Задание 1: Расширение ETL пайплайна
-**Сложность:** 🟡 Средняя
+**Сложность:** Средняя
 **Время выполнения:** 30-35 минут
 **Задача:**
- Добавьте новый источник данных - файл с информацией о продуктах
+- Добавьте новый источник данных — файл с информацией о продуктах
 - Создайте задачу для объединения данных о заказах с информацией о продуктах
 - Добавьте расчет общей выручки по продуктам
 **Подсказка:**
 - В `create_sample_data()` добавьте генерацию ещё одного CSV (products.csv) с колонками `product`, `category`, `weight_kg` — значения product должны совпадать с теми, что уже есть в orders
 - Создайте функцию `extract_products()` по аналогии с `extract_customers()`
 - Для объединения в `transform_data()` используйте `pd.merge()` по ключу `product`
 - Новую extract-задачу поставьте параллельно с существующими: `create_data_task >> [extract_customers_task, extract_orders_task, extract_products_task]`
 **Цель задания:** Научиться работать с множественными источниками данных.
-### Задание 2: Создание дашборда
+### Задание 2: Расширение текстового отчёта
-**Сложность:** 🟠 Продвинутая
+**Сложность:** Средняя
 **Время выполнения:** 35-40 минут
 **Задача:**
- Создайте HTML-отчет с ключевыми метриками бизнеса
+- Расширьте функцию `generate_report()` так, чтобы отчёт содержал больше полезной статистики
- Добавьте графики продаж по дням и продуктам
+- Добавьте в отчёт: топ-3 самых дорогих заказа, распределение заказов по месяцам, среднюю сумму заказа по каждому клиенту
- Реализуйте отправку отчета по email (симуляция)
+- Сохраните расширенный отчёт в `/opt/airflow/data/output/detailed_report.txt`
-**Цель задания:** Освоить создание бизнес-отчетов и дашбордов.
+**Подсказка:**
 - Всё делается в существующей функции `generate_report()` — дополните её
 - Полезные методы pandas: `df.nlargest()`, `df.groupby(...).mean()`, `df.groupby(...).sum()`
 - Можно записать результат в тот же файл или создать отдельный
 **Цель задания:** Освоить создание аналитических отчётов с помощью pandas.
 ### Задание 3: Мониторинг качества данных
-**Сложность:** 🟠 Продвинутая
+**Сложность:** Продвинутая
 **Время выполнения:** 25-30 минут
 **Задача:**
 - Добавьте проверки качества данных на каждом этапе ETL
 - Создайте механизм оповещения о проблемах с данными
 - Реализуйте архивирование обработанных данных
 **Подсказка:**
 - Создайте отдельную функцию валидации (проверка: строки > 0, нет NULL в ключевых полях, суммы положительные) и поставьте её между extract и transform
 - Для оповещения используйте `on_failure_callback` в `default_args` — это функция, которая вызывается при падении любой задачи. Она получает `context` с информацией об ошибке
 - Для архивирования: скопируйте результат в файл с датой в имени (например, `shutil.copy()` + `datetime.now().strftime(...)`)
 **Цель задания:** Научиться обеспечивать качество данных в ETL процессах.
 ---
-## 🌿 Задания для branching_dag.py
+## Задания для branching_dag.py
 **Цель:** Освоить условную логику и ветвление в Airflow.
 ### Задание 1: Модификация условий ветвления
-**Сложность:** 🟡 Средняя
+**Сложность:** Средняя
 **Время выполнения:** 20-25 минут
 **Задача:**
 - Измените условие в функции `check_data_quality()` на основе реальных критериев (например, размер файла)
 - Добавьте третью ветку обработки для данных "требующих ручной проверки"
 - Настройте разные триггерные правила для слияния веток
 **Подсказка:**
 - Сейчас функция выбирает ветку случайно — замените `random.random()` на проверку чего-то реального (например, `os.path.getsize()` для размера файла)
 - Функция `BranchPythonOperator` возвращает `task_id` ветки для выполнения. Для третьей ветки — верните третий `task_id`
 - У `merge_task` проверьте `trigger_rule` — при ветвлении непройденные ветки получают статус `skipped`
 **Цель задания:** Научиться создавать сложные условия ветвления.
 ### Задание 2: Реализация реального сценария
-**Сложность:** 🟠 Продвинутая
+**Сложность:** Продвинутая
 **Время выполнения:** 30-35 минут
 **Задача:**
 - Создайте реальные задачи обработки для CSV и JSON форматов
 - Добавьте валидацию данных в каждой ветке
 - Реализуйте механизм сравнения результатов из разных веток
 **Подсказка:**
 - Вместо `print("Обработка CSV...")` загрузите реальный файл (например, `sample_data.csv`) и посчитайте статистику
 - Результат каждой ветки сохраните в отдельный файл — в `merge_results()` загрузите оба (если существуют) и сравните
 - Учтите, что при ветвлении выполняется только одна ветка — функция слияния должна обрабатывать случай, когда один из файлов отсутствует
 **Цель задания:** Применить ветвление в реальном сценарии обработки данных.
 ### Задание 3: Динамическое ветвление
-**Сложность:** 🟠 Продвинутая
+**Сложность:** Продвинутая
 **Время выполнения:** 25-30 минут
 **Задача:**
 - Реализуйте ветвление на основе внешних параметров (например, переданных через Variables)
 - Добавьте обработку случая, когда ни одна ветка не подходит
 - Создайте механизм логирования выбранного пути выполнения
 **Подсказка:**
 - Variables создаются в UI: Admin → Variables. Для чтения в коде: `Variable.get('key', default_var='значение')`
 - Для случая «ни одна ветка не подходит» добавьте `DummyOperator` как ветку-заглушку
 - `BranchPythonOperator` должен всегда возвращать существующий `task_id` — иначе DAG упадёт с ошибкой
 **Цель задания:** Освоить динамическое принятие решений в DAG'ах.
 ---
-## ⚠️ Задания для error_handling_dag.py
+## Задания для error_handling_dag.py
 **Цель:** Освоить обработку ошибок и создание отказоустойчивых пайплайнов.
 ### Задание 1: Настройка стратегий повторения
-**Сложность:** 🟡 Средняя
+**Сложность:** Средняя
 **Время выполнения:** 20-25 минут
 **Задача:**
 - Измените параметры `retries` и `retry_delay` для разных задач
 - Добавьте экспоненциальную задержку между повторными попытками
 - Реализуйте кастомный обработчик ошибок для конкретных исключений
 **Подсказка:**
 - Параметры повторения можно задать на уровне задачи (перекроют `default_args`): `retries`, `retry_delay`, `retry_exponential_backoff`, `max_retry_delay`
 - Для кастомного обработчика: параметр `on_retry_callback` принимает функцию с аргументом `context`, из которого можно получить номер попытки через `context['ti'].try_number`
 - Запустите DAG несколько раз и посмотрите в логах, как меняется задержка между попытками
 **Цель задания:** Научиться настраивать стратегии обработки ошибок.
 ### Задание 2: Создание комплексной обработки ошибок
-**Сложность:** 🟠 Продвинутая
+**Сложность:** Продвинутая
 **Время выполнения:** 30-35 минут
 **Задача:**
 - Добавьте задачи для разных типов ошибок (сетевая ошибка, ошибка данных, системная ошибка)
 - Создайте механизм эскалации ошибок (после N неудачных попыток)
 - Реализуйте отправку уведомлений о критических ошибках
 **Подсказка:**
 - Создайте функции по аналогии с `unreliable_task()`, но бросающие разные типы исключений: `ConnectionError`, `ValueError`, `OSError`
 - Для эскалации используйте `on_failure_callback` — внутри проверьте `context['ti'].try_number` и при достижении порога выведите сообщение уровня CRITICAL
 - Пример структуры callback:
  ```python
  def escalation_callback(context):
      if context['ti'].try_number >= 3:
          # сюда — логику эскалации
  ```
 **Цель задания:** Освоить создание комплексной системы обработки ошибок.
-### Задание 3: Мониторинг и логирование
+### Задание 3: Добавление логирования через модуль logging
-**Сложность:** 🟠 Продвинутая
+**Сложность:** Средняя
 **Время выполнения:** 25-30 минут
 **Задача:**
- Добавьте детальное логирование всех этапов выполнения
+- Замените все `print()` в функциях DAG'а на вызовы стандартного модуля `logging`
- Создайте задачу для анализа логов и генерации отчетов об ошибках
+- Добавьте в каждую функцию логирование начала и окончания выполнения
- Реализуйте механизм автоматического восстановления после сбоев
+- Посмотрите, как логи отображаются в интерфейсе Airflow (вкладка Log у каждой задачи)
-**Цель задания:** Научиться создавать системы мониторинга и отладки.
+**Подсказка:**
 - Стандартный паттерн: `import logging` в начале файла, затем `log = logging.getLogger(__name__)` в функции
 - Уровни: `log.info()` для штатных событий, `log.warning()` для предупреждений, `log.error()` для ошибок
 - В UI Airflow откройте выполненную задачу → вкладка **Log** — сообщения `logging` отображаются с метками уровня и временем, в отличие от `print()`
 **Цель задания:** Научиться использовать стандартное логирование Python в задачах Airflow и читать логи через UI.
 ---
-## 🌟 Дополнительные задания: пулы, XCom, TaskGroup и алертинг
+## Дополнительные задания: пулы, XCom, TaskGroup и алертинг
 **Цель:** Освоить продвинутые возможности оркестрации — управление ресурсами, обмен данными между задачами, группировку и оповещения.
 ### Задание 1: Пулы и управление ресурсами
-**Сложность:** 🟡 Средняя  
+**Сложность:** Средняя
 **Время выполнения:** 20-25 минут
 **Задача:**
 - В интерфейсе Airflow создайте пул `backup_pool` с 2 слотами
@@ -317,22 +419,31 @@
 - Назначьте этим задачам параметр `pool="backup_pool"` и настройте `pool_slots` так, чтобы одна из задач занимала 2 слота, а другая — 1
 - Наблюдайте в UI, что одновременно запускается не более 2 задач из этого пула
 **Подсказка:**
 - Пул создаётся в UI: Admin → Pools → "+"
 - У `PythonOperator` есть параметры `pool` (имя пула) и `pool_slots` (сколько слотов занимает задача)
 - Если задача занимает 2 слота из 2 доступных — вторая задача будет ждать, даже если они не связаны зависимостями
 **Цель задания:** Научиться управлять параллелизмом задач через пулы и `pool_slots`.
 ### Задание 2: Обмен данными через XCom
-**Сложность:** 🟡 Средняя  
+**Сложность:** Средняя
 **Время выполнения:** 20-25 минут
 **Задача:**
 - В том же DAG добавьте задачу `calculate_metrics` (PythonOperator), которая возвращает словарь с агрегированными показателями, например: `{"total_orders": ..., "avg_amount": ...}`
 - Добавьте задачу `log_metrics`, которая с помощью `xcom_pull` читает результат `calculate_metrics` и выводит значения в лог
 - Для одной из задач продемонстрируйте использование XCom в Jinja-шаблоне (например, в `bash_command` или SQL-запросе)
 **Подсказка:**
 - Любое значение, которое функция возвращает через `return`, автоматически сохраняется в XCom
 - Для чтения XCom в другой задаче: функция принимает `**context`, затем `context['ti'].xcom_pull(task_ids='имя_задачи')`
 - В Jinja-шаблонах (параметры `bash_command`, `sql` и др.) XCom доступен через `{{ ti.xcom_pull(task_ids='...') }}`
 - Посмотреть сохранённые XCom-значения можно в UI: откройте задачу → вкладка **XCom**
 **Цель задания:** Освоить передачу результатов между задачами через XCom и их использование в шаблонах.
 ### Задание 3: TaskGroup и алертинг
-**Сложность:** 🟠 Продвинутая  
+**Сложность:** Продвинутая
 **Время выполнения:** 30-35 минут
 **Задача:**
 - Объедините логически связанные задачи (например, `extract` / `transform` / `load`) в `TaskGroup`'ы
@@ -340,21 +451,28 @@
 - Настройте для задачи уведомления `trigger_rule=TriggerRule.ALL_DONE`, чтобы уведомление отправлялось даже при частичных ошибках
 - При желании вынесите функцию отправки письма в отдельный модуль `utils.py` и импортируйте её в DAG
 **Подсказка:**
 - TaskGroup — контекстный менеджер: `with TaskGroup("имя") as group:` — внутри определяете задачи как обычно
 - Зависимости работают на уровне групп: `group_a >> group_b`
 - `TriggerRule.ALL_DONE` (из `airflow.utils.trigger_rule`) означает: «запустись, когда все upstream завершились — неважно, с успехом или ошибкой»
 - В Graph View группы отображаются как складные блоки — удобно для больших DAG'ов
 **Цель задания:** Научиться группировать задачи с помощью TaskGroup и строить схему оповещений о статусе пайплайна.
 ---
-## 🎯 Рекомендации по выполнению
+## Рекомендации по выполнению
 1. **Начинайте с простых заданий** и постепенно переходите к сложным
 2. **Тестируйте каждое изменение** через интерфейс Airflow
-3. **Изучайте логи выполнения** для понимания поведения задач
+3. **Изучайте логи выполнения** для понимания поведения задач (вкладка Log у каждой задачи в UI)
 4. **Экспериментируйте** с разными настройками и параметрами
-5. **Документируйте** свои решения и находки
+5. **Не бойтесь ломать** — DAG'и можно откатить через `git checkout`, а таблицы пересоздать
-## 📊 Оценка прогресса
+## Оценка прогресса
- 🟢 **Начальный уровень:** Выполнены задания для hello_world_dag и sql_basic_dag
+- **Начальный уровень:** Выполнены задания для hello_world_dag и sql_basic_dag
- 🟡 **Средний уровень:** Выполнены задания для file_operations_dag, csv_to_postgres.py, csv_to_postgres_dq.py 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
+- **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! 🚀
+
 Удачи в изучении Apache Airflow!