docs(airflow): выровнены формулировки для CSV и DQ сценариев

- Зачем:
  - убрать мелкие противоречия между спецификациями, учебным планом и заданиями.
  - сделать сценарий csv_to_postgres и csv_to_postgres_dq понятнее для студентов.
- Что:
  - уточнено, что csv_to_postgres отвечает за загрузку и предпросмотр данных, а DQ вынесен в отдельный DAG.
  - добавлены явные указания про каталог data/output и соединение postgres_training.
  - исправлены ссылки на задачу data_quality_summary в учебных заданиях.
- Проверка:
  - git diff -- airflow-docker/dag-specifications.md airflow-docker/educational-setup-plan.md airflow-docker/educational-tasks.md.

airflow-docker/dag-specifications.md

@@ -92,12 +92,12 @@ id,name,department,salary
 #### 2.2 csv_to_postgres.py
 **Learning Objectives:**
 - Load CSV data into PostgreSQL database
-- Implement data quality checks
+- Implement idempotent loading via temporary table
 - Use XCom for passing file paths between tasks
 - Work with PostgreSQL connections in Airflow
 
 **Scenario:**
-Generate sample orders data as CSV, load it into PostgreSQL, and verify data quality.
+Generate sample orders data as CSV, preview it, and load it into PostgreSQL.
 
 **Tasks:**
 - `create_orders_table`: Create public.orders table in PostgreSQL
@@ -106,6 +106,7 @@ Generate sample orders data as CSV, load it into PostgreSQL, and verify data qua
 - `load_csv_to_postgres`: Load CSV data into PostgreSQL using temporary table
 
 **Database Connection:** Uses `postgres_training` connection (auto-provisioned by init script).
+**Generated Files:** CSV files are written to `/opt/airflow/data/output/`.
 
 **Sample Data Structure:**
 ```csv
@@ -115,7 +116,7 @@ order_id,order_ts,customer_id,amount
 3,2023-10-02 09:15:00,103,2100.75
 ```
 
-**Data Quality Checks:** See `csv_to_postgres_dq.py` for automated validation.
+**Data Quality Checks:** Run `csv_to_postgres_dq.py` after loading to validate the target table.
 
 #### 2.3 csv_to_postgres_dq.py
 **Learning Objectives:**

airflow-docker/educational-setup-plan.md

@@ -84,7 +84,8 @@ Create `.env` file with all variables hardcoded:
 - `file_operations_dag.py` - CSV file processing
 
 **Level 2: Intermediate**
-- `csv_to_postgres.py` - CSV to PostgreSQL pipeline with data quality checks
+- `csv_to_postgres.py` - CSV to PostgreSQL pipeline
+- `csv_to_postgres_dq.py` - separate data quality checks for loaded orders
 - `data_processing_dag.py` - ETL pipeline with multiple steps
 - `branching_dag.py` - Conditional task execution
 

airflow-docker/educational-tasks.md

@@ -140,6 +140,7 @@
 - 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.
+- Убедитесь, что сгенерированный файл появился в каталоге `/opt/airflow/data/output/`.
 
 **Цель задания:** Понять процесс изменения схемы данных на всех этапах пайплайна.
 
@@ -149,7 +150,7 @@
 
 **Задача:**
 - Перепишите задачу `create_orders_table`. Сейчас она использует `PythonOperator` и `PostgresHook` внутри Python-функции.
-- Замените её на использование стандартного `PostgresOperator`, используя заранее созданный Connection.
+- Замените её на использование стандартного `PostgresOperator`, используя соединение `postgres_training`.
 - Убедитесь, что пайплайн продолжает работать корректно.
 
 **Цель задания:** Научиться использовать специализированные операторы для работы с БД вместо кастомного Python-кода.
@@ -167,7 +168,7 @@
 **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 `dq_summary`).
+- Встройте новую задачу в общую цепочку выполнения (например, перед `data_quality_summary`).
 
 **Цель задания:** Научиться расширять набор проверок качества данных.
 
@@ -179,7 +180,7 @@
 - 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.
+- Сделайте так, чтобы задача `data_quality_summary` могла анализировать статусы предыдущих задач и отражать общий итог.
 
 **Цель задания:** Освоить продвинутую маршрутизацию статусов задач с помощью `trigger_rule`.