Доработки доокументации

airflow-greenplum/README.md

@@ -10,6 +10,19 @@
 - Как загружать данные в Greenplum пакетами и избегать дублей
 - Как проверять качество данных в автоматизированных pipeline
 - Основы проектирования ETL/ELT процессов
+
+## 👩‍🎓 Для студентов (10‑минутный чек‑лист)
+
+- Установите Docker Desktop и Git.
+- Скопируйте настройки: `cp .env.example .env`.
+- Поднимите стенд: `docker compose up -d` и инициализируйте Airflow: `docker compose run --rm airflow-init`.
+- Откройте UI: http://localhost:8080 (admin/admin).
+- Включите и запустите DAG `csv_to_greenplum`. Дождитесь Success.
+- Проверьте данные: `make gp-psql` → `SELECT COUNT(*) FROM public.orders;`.
+- Дополнительно: запустите `greenplum_data_quality` — все проверки должны быть зелёные.
+
+Если что‑то не работает — смотрите «Типичные проблемы» и «Быстрый reset» ниже.
+
 ## Локальное окружение разработчика
 
 Локальным окружением управляет [uv](https://docs.astral.sh/uv/) — он скачивает нужный Python и создаёт `.venv` на основе `pyproject.toml` / `uv.lock`.
@@ -93,6 +106,17 @@ SELECT * FROM public.orders LIMIT 5;
 
 CSV-файлы после выполнения DAG остаются в директории `./data`. Их можно открыть любым редактором или изучить через pandas.
 
+### Быстрый reset
+
+Если после изменений что‑то «сломалось»:
+
+```bash
+make down                 # Остановить и стереть данные в контейнерах
+make up && make airflow-init
+```
+
+Это помогает, когда Greenplum не стартует из‑за «грязной» остановки и внутренних файлов.
+
 ---
 
 ## 🛠️ Подробная настройка (для уверенных пользователей)
@@ -213,6 +237,7 @@ make logs               # Следить за логами Airflow
 | Ошибка подключения к Greenplum | Убедитесь, что контейнер `greenplum` стал статусом `healthy` (проверьте `docker compose ps`) |
 | Нет файла в `./data` после запуска DAG | Проверьте логи задачи `generate_csv`, убедитесь, что `CSV_DIR` смонтирован в docker-compose |
 | Команда `make` не найдена | Используйте полные команды `docker compose` или установите make |
+| Greenplum не стартует/падает при старте | Выполните `make down`, затем `make up && make airflow-init` (очищает тома и поднимает заново) |
 
 ---
 
@@ -239,5 +264,12 @@ make logs               # Следить за логами Airflow
 3. **Попробуйте другие источники** — замените генератор данных на чтение из файла или API
 4. **Изучите Airflow deeper** — добавьте зависимости между задачами, настройте расписания
 
+---
+
+## ✅ Тестирование
+
+- Локальные проверки: `make test` (pytest). Для форматирования — `make fmt`, для проверки — `make lint`.
+- Пошаговый сценарий с Docker (включая негативные кейсы и reset) — см. `TESTING.md`.
+
 Удачи в изучении Data Engineering! 🚀