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/.gitignore

@@ -6,5 +6,7 @@ __pycache__/
 */__pycache__/
 *.pyc
 .venv/
+venv/
+data/*.csv
 data/output/
 data/input/

airflow-docker/README.md

@@ -36,7 +36,7 @@ docker-compose up -d
   - Пользователь: `student`
   - Пароль: `student`
 
-- **PostgreSQL для метаданных Airflow**: `localhost:5433`
+- **PostgreSQL для метаданных Airflow**: `localhost:5434`
   - База данных: `airflow`
   - Пользователь: `airflow`
   - Пароль: `airflow`
@@ -96,12 +96,14 @@ 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
-├── data/                       # Данные для упражнений
+├── data/                       # Данные и артефакты прогонов
 │   ├── input/                  # Входные данные
-│   └── output/                 # Результаты обработки
+│   └── output/                 # Сгенерированные CSV, отчеты и результаты обработки
 ├── logs/                       # Логи Airflow
 ├── README.md                   # Эта инструкция
 └── educational-tasks.md        # Практические задания для студентов
@@ -129,6 +131,8 @@ 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 +163,9 @@ 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
-5. **Изучите продвинутые темы** - ветвление и обработка ошибок
+4. **Освойте ETL и DQ на `csv_to_postgres.py` и `csv_to_postgres_dq.py`** - загрузка и валидация данных
+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
@@ -188,12 +193,14 @@ airflow-docker/
 docker-compose exec airflow-webserver airflow connections get postgres_training
 ```
 
+`csv_to_postgres.py` по умолчанию складывает сгенерированные CSV в `/opt/airflow/data/output`, то есть в локальный каталог `airflow-docker/data/output/`.
+
 
 ### Порты
 
 - `8080` - Airflow Webserver
 - `5432` - PostgreSQL для тренировок
-- `5433` - PostgreSQL для метаданных Airflow
+- `5434` - PostgreSQL для метаданных Airflow
 
 ## 🛠️ Управление стендом
 

airflow-docker/dag-specifications.md

@@ -89,7 +89,60 @@ id,name,department,salary
 3,Charlie,Sales,48000
 ```
 
-#### 2.2 data_processing_dag.py
+#### 2.2 csv_to_postgres.py
+**Learning Objectives:**
+- Load CSV data into PostgreSQL database
+- 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, preview it, and load it into PostgreSQL.
+
+**Tasks:**
+- `create_orders_table`: Create public.orders table in PostgreSQL
+- `generate_csv`: Generate sample orders CSV file
+- `preview_csv`: Display first few rows of CSV
+- `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
+order_id,order_ts,customer_id,amount
+1,2023-10-01 10:30:00,101,1250.50
+2,2023-10-01 11:45:00,102,890.00
+3,2023-10-02 09:15:00,103,2100.75
+```
+
+**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:**
+- Implement data quality validation in Airflow
+- Use Python functions for data checks
+- Handle data quality failures
+- Separate validation from main ETL pipeline
+
+**Scenario:**
+Run automated data quality checks on the public.orders table after CSV loading.
+
+**Tasks:**
+- `check_table_exists`: Verify public.orders table exists
+- `check_schema`: Validate table schema matches expected structure
+- `check_row_count`: Ensure table has data
+- `check_duplicates`: Verify no duplicate order_id values
+
+**Quality Checks:**
+- Table existence in public schema
+- Column names and data types (order_id, order_ts, customer_id, amount)
+- Minimum row count (> 0)
+- Unique order_id values (no duplicates)
+
+**Helper Functions:** All DQ check functions are defined directly in `csv_to_postgres_dq.py`.
+
+#### 2.4 data_processing_dag.py
 **Learning Objectives:**
 - ETL pipeline concepts
 - Multiple data sources

airflow-docker/dags/csv_to_postgres.py

@@ -0,0 +1,173 @@
+from __future__ import annotations
+
+import logging
+import os
+import random
+from datetime import UTC, datetime, timedelta
+from pathlib import Path
+import pandas as pd
+from airflow.operators.python import PythonOperator
+from airflow.providers.postgres.hooks.postgres import PostgresHook
+
+from airflow import DAG
+
+POSTGRES_CONN_ID = "postgres_training"
+
+
+def _get_conn():
+    return PostgresHook(postgres_conn_id=POSTGRES_CONN_ID).get_conn()
+
+CSV_DIR = Path(os.getenv("CSV_DIR", "/opt/airflow/data/output"))
+CSV_ROWS = int(os.getenv("CSV_ROWS", "1000"))
+
+
+def _create_table() -> None:
+    """Создаёт таблицу public.orders, если она ещё не существует."""
+    ddl = """
+    CREATE TABLE IF NOT EXISTS public.orders (
+        order_id BIGINT PRIMARY KEY,
+        order_ts TIMESTAMP NOT NULL,
+        customer_id BIGINT NOT NULL,
+        amount NUMERIC(12,2) NOT NULL
+    );
+    """
+    conn = _get_conn()
+    try:
+        with conn.cursor() as cur:
+            cur.execute(ddl)
+            conn.commit()
+    finally:
+        conn.close()
+
+
+def _generate_csv(rows: int, csv_dir: Path) -> str:
+    """Генерирует CSV c заказами с помощью pandas и сохраняет на диск."""
+    csv_dir.mkdir(parents=True, exist_ok=True)
+    timestamp = datetime.now(UTC).strftime("%Y%m%d_%H%M%S")
+    csv_path = csv_dir / f"orders_{timestamp}.csv"
+
+    # Генерируем данные в pandas-стиле
+    base_order_id = int(datetime.now(UTC).timestamp() * 1_000)
+
+    # Создаём DataFrame с использованием pandas методов
+    df = pd.DataFrame(
+        {
+            # Уникальные order_id начиная с базового значения
+            "order_id": pd.Series(
+                range(base_order_id, base_order_id + rows), dtype="int64"
+            ),
+            # Временные метки с интервалом в 1 секунду в обратном порядке
+            "order_ts": pd.date_range(
+                end=datetime.now(UTC), periods=rows, freq="1S"
+            ).sort_values(ascending=False),
+            # Случайные customer_id от 1 до 1000
+            "customer_id": pd.Series(
+                random.choices(range(1, 1001), k=rows), dtype="int64"
+            ),
+            # Случайные суммы от 10 до 500 с округлением до 2 знаков
+            "amount": pd.Series(
+                [round(random.uniform(10, 500), 2) for _ in range(rows)],
+                dtype="float64",
+            ),
+        }
+    )
+
+    # Сохраняем CSV без индекса
+    df.to_csv(csv_path, index=False)
+    logging.info("CSV сохранён: %s (строк: %s)", csv_path, len(df))
+    return str(csv_path)
+
+
+def _preview_csv(csv_path: str, sample_rows: int = 5) -> None:
+    """Отображает предпросмотр CSV через pandas (head и describe)."""
+    df = pd.read_csv(csv_path)
+    df["order_ts"] = pd.to_datetime(df["order_ts"], errors="coerce")
+    logging.info(
+        "Первые %s строк:\n%s", sample_rows, df.head(sample_rows).to_string(index=False)
+    )
+    numeric_summary = df.describe(include="number")
+    logging.info("Числовая статистика:\n%s", numeric_summary.to_string())
+    if df["order_ts"].notna().any():
+        logging.info(
+            "Диапазон order_ts: %s → %s",
+            df["order_ts"].min().isoformat(),
+            df["order_ts"].max().isoformat(),
+        )
+
+
+def _load_csv(csv_path: str) -> None:
+    """Загружает CSV в Postgres через временную таблицу и anti-join."""
+    csv_file = Path(csv_path)
+    if not csv_file.exists():
+        raise FileNotFoundError(f"CSV не найден: {csv_file}")
+
+    conn = _get_conn()
+    try:
+        with conn.cursor() as cur, csv_file.open("r", encoding="utf-8") as f:
+            cur.execute(
+                "CREATE TEMP TABLE tmp_orders (LIKE public.orders INCLUDING DEFAULTS) ON COMMIT DROP;"
+            )
+            cur.copy_expert(
+                "COPY tmp_orders (order_id, order_ts, customer_id, amount) FROM STDIN WITH CSV HEADER",
+                f,
+            )
+
+            cur.execute("SELECT COUNT(*) FROM tmp_orders")
+            tmp_rows = cur.fetchone()[0]
+
+            cur.execute(
+                """
+                INSERT INTO public.orders(order_id, order_ts, customer_id, amount)
+                SELECT t.order_id, t.order_ts, t.customer_id, t.amount
+                FROM tmp_orders t
+                LEFT JOIN public.orders o ON o.order_id = t.order_id
+                WHERE o.order_id IS NULL
+                """
+            )
+            inserted = cur.rowcount if cur.rowcount != -1 else 0
+            conn.commit()
+    finally:
+        conn.close()
+
+    logging.info("Загружено строк: %s (прочитано из CSV: %s)", inserted, tmp_rows)
+
+
+default_args = {"owner": "airflow", "retries": 1, "retry_delay": timedelta(seconds=30)}
+
+with DAG(
+    dag_id="csv_to_postgres",
+    start_date=datetime(2023, 1, 1),
+    schedule=None,
+    catchup=False,
+    default_args=default_args,
+    tags=["demo", "postgres", "csv"],
+) as dag:
+    create_table = PythonOperator(
+        task_id="create_orders_table",
+        python_callable=_create_table,
+    )
+
+    generate_csv = PythonOperator(
+        task_id="generate_csv",
+        python_callable=_generate_csv,
+        op_kwargs={"rows": CSV_ROWS, "csv_dir": CSV_DIR},
+    )
+
+    preview_csv = PythonOperator(
+        task_id="preview_csv",
+        python_callable=_preview_csv,
+        op_kwargs={
+            "csv_path": "{{ ti.xcom_pull(task_ids='generate_csv') }}",
+            "sample_rows": 5,
+        },
+    )
+
+    load_csv = PythonOperator(
+        task_id="load_csv_to_postgres",
+        python_callable=_load_csv,
+        op_kwargs={
+            "csv_path": "{{ ti.xcom_pull(task_ids='generate_csv') }}",
+        },
+    )
+
+    create_table >> generate_csv >> preview_csv >> load_csv

airflow-docker/dags/csv_to_postgres_dq.py

@@ -0,0 +1,138 @@
+from __future__ import annotations
+
+import logging
+from datetime import datetime, timedelta
+
+from airflow.operators.python import PythonOperator
+from airflow.providers.postgres.hooks.postgres import PostgresHook
+
+from airflow import DAG
+
+POSTGRES_CONN_ID = "postgres_training"
+
+EXPECTED_ORDERS_SCHEMA = [
+    ("order_id", "bigint"),
+    ("order_ts", "timestamp without time zone"),
+    ("customer_id", "bigint"),
+    ("amount", "numeric"),
+]
+
+
+def _get_conn():
+    return PostgresHook(postgres_conn_id=POSTGRES_CONN_ID).get_conn()
+
+
+def _check_table_exists():
+    """Проверяет наличие таблицы public.orders."""
+    conn = _get_conn()
+    try:
+        with conn.cursor() as cur:
+            cur.execute("""
+                SELECT 1 FROM pg_catalog.pg_tables
+                WHERE schemaname = 'public' AND tablename = 'orders'
+            """)
+            if cur.fetchone() is None:
+                raise ValueError("Таблица public.orders не найдена")
+        logging.info("Таблица public.orders существует")
+    finally:
+        conn.close()
+
+
+def _check_schema():
+    """Проверяет соответствие схемы таблицы public.orders ожидаемой."""
+    conn = _get_conn()
+    try:
+        with conn.cursor() as cur:
+            cur.execute("""
+                SELECT column_name, data_type
+                FROM information_schema.columns
+                WHERE table_schema = 'public' AND table_name = 'orders'
+                ORDER BY ordinal_position
+            """)
+            actual = cur.fetchall()
+        if actual != EXPECTED_ORDERS_SCHEMA:
+            raise ValueError(
+                f"Схема не совпадает. Ожидалось: {EXPECTED_ORDERS_SCHEMA}, "
+                f"получено: {actual}"
+            )
+        logging.info("Схема таблицы public.orders соответствует ожидаемой")
+    finally:
+        conn.close()
+
+
+def _check_has_rows():
+    """Проверяет, что в таблице public.orders есть данные."""
+    conn = _get_conn()
+    try:
+        with conn.cursor() as cur:
+            cur.execute("SELECT COUNT(*) FROM public.orders")
+            count = cur.fetchone()[0]
+        if count == 0:
+            raise ValueError("Таблица public.orders пуста")
+        logging.info("Таблица public.orders содержит %s строк", count)
+    finally:
+        conn.close()
+
+
+def _check_no_duplicates():
+    """Проверяет отсутствие дубликатов order_id в public.orders."""
+    conn = _get_conn()
+    try:
+        with conn.cursor() as cur:
+            cur.execute("""
+                SELECT order_id, COUNT(*) AS cnt
+                FROM public.orders
+                GROUP BY order_id
+                HAVING COUNT(*) > 1
+            """)
+            duplicates = cur.fetchall()
+        if duplicates:
+            raise ValueError(f"Обнаружены дубликаты order_id: {duplicates}")
+        logging.info("Дубликатов order_id не обнаружено")
+    finally:
+        conn.close()
+
+
+def _log_dq_summary():
+    """Логирует итоговую сводку по качеству данных."""
+    logging.info("Все проверки качества данных пройдены успешно!")
+    logging.info("Качество данных в таблице orders соответствует требованиям.")
+
+
+default_args = {"owner": "airflow", "retries": 1, "retry_delay": timedelta(seconds=30)}
+
+with DAG(
+    dag_id="csv_to_postgres_dq",
+    start_date=datetime(2023, 1, 1),
+    schedule=None,
+    catchup=False,
+    default_args=default_args,
+    tags=["demo", "postgres", "quality", "csv", "dq"],
+    description="Проверки качества данных после CSV -> public.orders в Postgres",
+) as dag:
+    check_exists = PythonOperator(
+        task_id="check_orders_table_exists",
+        python_callable=_check_table_exists,
+    )
+
+    check_schema = PythonOperator(
+        task_id="check_orders_schema",
+        python_callable=_check_schema,
+    )
+
+    check_has_rows = PythonOperator(
+        task_id="check_orders_has_rows",
+        python_callable=_check_has_rows,
+    )
+
+    check_no_duplicates = PythonOperator(
+        task_id="check_order_duplicates",
+        python_callable=_check_no_duplicates,
+    )
+
+    dq_summary = PythonOperator(
+        task_id="data_quality_summary",
+        python_callable=_log_dq_summary,
+    )
+
+    check_exists >> check_schema >> check_has_rows >> check_no_duplicates >> dq_summary

airflow-docker/dags/sql_basic_dag.py

@@ -56,7 +56,7 @@ TRUNCATE TABLE students_sample;
 # Определение задач
 create_table_task = PostgresOperator(
     task_id='create_table',
-    postgres_conn_id='postgres_training',  # Это соединение нужно будет создать вручную в Airflow UI
+    postgres_conn_id='postgres_training',  # Соединение создается автоматически в airflow-init
     sql=create_table_sql,
     dag=dag
 )

airflow-docker/educational-setup-plan.md

@@ -4,7 +4,6 @@
 
 ### 1. Docker Compose Structure Problems
 - Duplicate `services:` sections in [`docker-compose.yml`](airflow-docker/docker-compose.yml:1,21)
-- Missing Greenplum service (referenced in dependencies but not defined)
 - Inconsistent container naming
 
 ### 2. Missing Directory Structure
@@ -27,7 +26,7 @@ services:
       POSTGRES_PASSWORD: airflow
       POSTGRES_DB: airflow
     ports:
-      - "5433:5432"
+      - "5434:5432"
     volumes:
       - pgmeta:/var/lib/postgresql/data
 
@@ -85,6 +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
+- `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

@@ -128,6 +128,64 @@
 
 ---
 
+## 🐘 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.
+- Убедитесь, что сгенерированный файл появился в каталоге `/opt/airflow/data/output/`.
+
+**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 `PostgresHook` внутри Python-функции.
+- 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.
+
+---
+
+## 🛡️ 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 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`).
+
+**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 `data_quality_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 +355,6 @@
 ## 📊 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! 🚀

airflow-docker/requirements.txt

@@ -12,3 +12,4 @@ mimesis==15.1.0
 
 # Airflow PostgreSQL provider (used in sql_basic_dag.py and data_processing_dag.py)
 apache-airflow-providers-postgres==5.11.1
+