20 changed files with 1021 additions and 155 deletions
@@ -0,0 +1,9 @@
 # Копировать в .env необязательно: это значения по умолчанию.
 # Если .env уже есть, добавь нужную настройку в него, сохранив остальные.
 # GHCR — основной источник MinIO. Резерв того же автора и digest: docker.io.
 MINIO_REGISTRY=ghcr.io
 # На Linux при необходимости укажи свой UID и GID (команды: id -u; id -g).
 NB_UID=1000
 NB_GID=100
@@ -17,14 +17,15 @@
 ## Стек
-Всё работает локально в Docker. Никаких облаков, внешних зависимостей и регистраций.
+Всё работает локально в Docker. Для первой сборки и скачивания учебных данных
 нужен интернет; облачный аккаунт не требуется.
 ```mermaid
 graph TB
    U[Student / engineer]
    subgraph Access
-        J[JupyterLab<br/>notebooks / PySpark]
+        J[VS Code в браузере<br/>Jupyter notebooks / PySpark]
        Q[Trino UI / CLI<br/>ad hoc SQL]
    end
@@ -54,41 +55,56 @@ graph TB
 | `PostgreSQL` | Catalog — метаданные JDBC-каталога `lakehouse` |
 | `Spark` | Compute — ETL, запись и чтение Iceberg-таблиц |
 | `Trino` | Compute — ad hoc SQL, чтение тех же таблиц |
-| `JupyterLab` | Точка входа — практические ноутбуки курса |
+| `code-server` | VS Code в браузере — ноутбуки курса, Python и терминал внутри Docker |
 | `JupyterLab` | Запасной интерфейс для тех же ноутбуков |
 Ноутбуки подключаются к Spark-кластеру с
 [готовыми настройками стенда](./docs/stack_reference.md#spark).
 ## С чего начать
-1. Открой [START_HERE.md](./START_HERE.md) — запуск стенда, диагностика, первый ноутбук.
+1. Открой [START_HERE.md](./START_HERE.md) — подготовка, запуск и первый ноутбук
-2. Пройди `notebooks/01_environment_and_smoke_test.ipynb`.
+   с ожидаемым результатом.
-3. Дальше по порядку: [docs/course_program.md](./docs/course_program.md).
+2. Продолжи по [маршруту из восьми модулей](./docs/course_program.md#маршрут-по-модулям).
 3. Между занятиями используй [памятку учащегося](./docs/study_workflow.md):
   остановка, продолжение работы и диагностика.
-Краткий запуск из корня репозитория:
+Для одного учащегося рекомендуем компьютер с 16 ГБ RAM, не менее 4 CPU и
 ориентировочно 8 ГБ памяти для Docker, а также от 20 ГБ свободного места перед сборкой.
 Trino ограничен 2 ГиБ памяти контейнера и 1 ГиБ Java heap.
 Подробности и границы проверки — в [системных требованиях](./START_HERE.md#системные-требования).
 Краткий запуск из корня репозитория после подготовки по `START_HERE`:
 ```bash
 docker compose pull minio minio-init postgres trino
 docker compose build
 docker compose up -d
-docker compose ps
+docker compose ps -a
 ```
-Зафиксированные исторические образы MinIO загружаются из официального Quay registry; подробности — в [техническом reference](./docs/stack_reference.md#minio).
+MinIO скачивается готовым из GHCR, его версия и digest закреплены. Если какой-то
 источник недоступен из твоей сети, начни с
 [инструкции по доступу к репозиториям](./docs/network_access.md).
 После старта:
 | UI | Адрес |
 | --- | --- |
-| JupyterLab | `http://localhost:8888` |
+| VS Code в браузере | `http://localhost:8889` |
 | JupyterLab (запасной интерфейс) | `http://localhost:8888` |
 | Spark Master | `http://localhost:8080` |
 | Trino | `http://localhost:8090` |
 | MinIO Console | `http://localhost:9001` |
-JupyterLab опубликован только на loopback-интерфейсе хоста и рассчитан на локальный одно-пользовательский стенд. Подключение через VS Code Remote-SSH описано в [START_HERE.md](./START_HERE.md#как-работать-в-jupyter).
+Открой ноутбук в браузерном VS Code и выбери Python внутри контейнера: локальный
 Python и venv не нужны. Оба интерфейса доступны только с хоста стенда.
 Первый запуск ноутбука описан в [START_HERE.md](./START_HERE.md#как-работать-с-ноутбуками).
 ## Документы для прохождения
- [START_HERE.md](./START_HERE.md) — первый маршрут: prerequisites, запуск, диагностика.
+- [START_HERE.md](./START_HERE.md) — подготовка компьютера, запуск и первый результат.
 - [docs/study_workflow.md](./docs/study_workflow.md) — памятка для каждого занятия и помощь при ошибках.
 - [docs/course_program.md](./docs/course_program.md) — модульная структура и состав учебных материалов.
 - [docs/stack_reference.md](./docs/stack_reference.md) — порты, команды, конфиги, шпаргалка.
 - [docs/glossary.md](./docs/glossary.md) — справочник терминов (storage, catalog, compute, snapshot и др.).
@@ -1,31 +1,88 @@
 # START HERE
-Этот документ нужен для первого входа в курс: поднять стенд, проверить сервисы, открыть интерфейсы, выполнить базовый smoke test и подготовить локальный data bundle для следующих модулей.
+Здесь ты подготовишь окружение и выполнишь первое вычисление в Spark.
 К концу запуска в ноутбуке появится `Spark cluster smoke test passed.`, а результат
 сохранится в файле на твоем компьютере. Smoke test — короткая проверка, что
 основные компоненты работают вместе.
 Если стенд уже собран, открой [памятку для следующего занятия](./docs/study_workflow.md).
 Она объясняет, как продолжить работу, что сохраняется и куда смотреть при ошибках.
 ## Маршрут прохождения
-1. Проверить prerequisites.
+1. Подготовь Docker, ресурсы и локальную копию репозитория.
-2. Собрать и поднять стенд.
+2. Скачай образы, собери окружение и проверь запуск сервисов.
-3. Убедиться, что контейнеры живы.
+3. Открой первый ноутбук в браузерном VS Code и проверь результат вычисления.
-4. Открыть основные UI.
+4. Продолжи по [программе курса](./docs/course_program.md#маршрут-по-модулям).
 5. Зайти в Jupyter и выполнить `notebooks/01_environment_and_smoke_test.ipynb`.
 6. Перед Модулем 3 подготовить учебный датасет в `./data/nyc_taxi`.
 7. При проблемах использовать логи и шаги диагностики из этого документа.
-## Prerequisites
+Датасет Taxi понадобится перед Модулем 3, DBeaver необязателен и понадобится
 только перед Модулем 6. Для первого ноутбука их готовить не нужно.
-Нужно заранее установить:
+<a id="prerequisites"></a>
- Docker;
+## Что подготовить
 - Docker Compose;
 - современный браузер для UI;
 - свободные порты на хосте.
-Рекомендуемые ресурсы хоста:
+- Docker с запущенным движком и Docker Compose 2.17+ с BuildKit.
 - Современный браузер; основной интерфейс курса — VS Code на `localhost:8889`.
 - Git для скачивания репозитория или его распакованную ZIP-копию.
 - Свободные порты из таблицы ниже и доступ к источникам образов и зависимостей.
- не менее `4 vCPU`;
+Команды ниже рассчитаны на Bash: терминал Linux/macOS или терминал Linux
- не менее `10 GB RAM`, иначе `Spark`, `Trino` и `Jupyter` могут стартовать нестабильно;
+в WSL2 на Windows с включенной интеграцией Docker Desktop. Выполняй их на
- хотя бы `8-10 GB` свободного места под образы и контейнеры.
+машине, где работает Docker. Терминал внутри браузерного VS Code для запуска
 `docker compose` не подходит.
 ### Системные требования
 Ориентир для одного учащегося и основного набора Taxi за три месяца:
 | Ресурс | Рекомендация | Что проверить |
 | --- | --- | --- |
 | Процессор | Не менее 4 CPU, доступных Docker | В Docker Desktop/WSL2 может стоять меньший лимит |
 | Память Docker | Ориентир — 8 ГБ RAM; 10 ГБ дают дополнительный запас | Это память для среды Docker, а не общий объем памяти компьютера |
 | Память компьютера | 16 ГБ RAM или больше | Оставь память ОС, браузеру и другим приложениям |
 | Свободное место | Не менее 20 ГБ перед первой сборкой; 30 ГБ с запасом | На диске Docker и в папке репозитория: образы, кэш сборки, исходные данные и таблицы |
 Это рекомендуемый бюджет для одного активного ноутбука, а не измеренный минимум.
 На Windows с WSL2 по умолчанию доступно 50% RAM компьютера: при 16 ГБ это 8 ГБ
 для всей WSL2, включая Docker. Лимит можно настроить, это не аппаратное
 ограничение. См. [настройки WSL2](https://learn.microsoft.com/en-us/windows/wsl/wsl-config#main-wsl-settings)
 и [ресурсы Docker Desktop](https://docs.docker.com/desktop/settings-and-maintenance/settings/#resources).
 Trino ограничен 2 ГиБ памяти контейнера и 1 ГиБ Java heap. Проверка запросов
 на данных курса описана в [справочнике](./docs/stack_reference.md#ресурсы-и-проверенная-среда).
 Полный курс под общим жестким лимитом Docker 8 ГБ пока не проверен. В WSL2 часть
 памяти также нужна самой Linux-среде; закрой другие тяжелые задачи на время урока.
 Место внутри диска Docker и свободное место на диске компьютера — отдельные ограничения.
 С добавлением VS Code образ окружения вырос примерно на 1,2 ГБ относительно
 Jupyter; базовые слои у них общие. MinIO скачивается готовым, компилировать его
 не нужно. [Основания оценок и границы проверки](./docs/stack_reference.md#ресурсы-и-проверенная-среда).
 Python, Java, Jupyter и расширения VS Code устанавливаются при сборке образов.
 На компьютере не нужно создавать venv или устанавливать Python-пакеты.
 Для первой сборки нужен интернет. Если ты работаешь из РФ или сети с
 ограничениями, при ошибке скачивания используй
 [инструкцию по доступу к репозиториям](./docs/network_access.md). Она различает
 проблемы скачивания образов и зависимостей внутри сборки.
 ### Проверка до сборки
 Открой терминал в папке репозитория — там, где лежит `docker-compose.yml`:
 ```bash
 docker version
 docker compose version
 docker info --format 'CPUs={{.NCPU}} MemoryBytes={{.MemTotal}}'
 docker compose config --quiet
 ```
 В `docker version` должны быть разделы Client и Server, версия Compose — не
 ниже 2.17. `docker info` показывает ресурсы, которые видит Docker; память дана
 в байтах (8 ГиБ — 8 589 934 592 байта). Последняя команда при успехе
 ничего не печатает. Если Docker не отвечает или конфигурация не читается,
 исправь эту ошибку до сборки.
 ## Порты стенда
@@ -37,20 +94,46 @@
 | Trino UI | `http://localhost:8090` | Проверка координатора Trino |
 | MinIO API | `http://localhost:9000` | S3-compatible endpoint |
 | MinIO Console | `http://localhost:9001` | Просмотр бакетов и файлов |
-| JupyterLab | `http://localhost:8888` | Основная точка входа в практику |
+| VS Code в браузере | `http://localhost:8889` | Основная точка входа в практику |
 | JupyterLab | `http://localhost:8888` | Запасной интерфейс для ноутбуков |
 | PostgreSQL | `localhost:5432` | JDBC-каталог Iceberg, нужен для диагностики |
 ## Быстрый запуск
 Все команды выполняются из корня репозитория.
-### 1. Собрать образы
+На Linux и в WSL2 проверь владельца файлов:
 ```bash
 id -u
 id -g
 ```
 Это UID и GID — числовые идентификаторы пользователя и группы. В контейнере по
 умолчанию используются `1000` и `100`. Если значения отличаются, до сборки
 создай `.env` в корне репозитория и укажи `NB_UID` и `NB_GID` со своими числами.
 Например, для вывода `1001` и `1001`:
 ```dotenv
 NB_UID=1001
 NB_GID=1001
 ```
 Если `.env` уже есть, измени только эти строки, сохранив остальные настройки.
 Файл остается между занятиями. Образец — [`.env.example`](./.env.example).
 На macOS с Docker Desktop обычно подходят значения по умолчанию.
 ### 1. Скачать готовые образы и собрать окружение
 ```bash
 docker compose pull minio minio-init postgres trino
 docker compose build
 ```
-Зафиксированные образы MinIO загружаются из `quay.io`; их версии и назначение описаны в [техническом reference](./docs/stack_reference.md#minio).
+Первая команда проверяет загрузку готовых сервисов до сборки окружения.
 MinIO уже собран; для Spark, Jupyter и IDE первая сборка скачивает зависимости
 и зависит по времени от сети и компьютера. Дождись завершения без ошибок;
 не переходи к запуску после неудачной сборки. Повторная сборка использует кэш Docker.
 ### 2. Поднять стенд
@@ -61,33 +144,36 @@ docker compose up -d
 ### 3. Проверить статус контейнеров
 ```bash
-docker compose ps
+docker compose ps -a
 ```
 Ожидаемое состояние:
- сервисы `spark-master`, `spark-worker-1`, `spark-worker-2`, `minio`, `postgres-iceberg`, `trino`, `jupyter` находятся в состоянии `Up`;
+- `spark-master`, `spark-worker-1`, `spark-worker-2`, `minio`, `postgres-iceberg`,
- однократные init-контейнеры вроде `minio-init` и `iceberg-catalog-init` могут завершиться после успешной инициализации.
+  `trino`, `jupyter`, `ide` работают (`Up`); у `postgres-iceberg`, `trino` и `ide`
  дождись `healthy`;
 - `minio-init` и `iceberg-catalog-init` заканчивают работу со статусом `Exited (0)`.
  Это успешная разовая подготовка хранилища и каталога. `Exited (1)` и другой
  ненулевой код требуют проверки логов.
 Флаг `-a` показывает и завершившиеся контейнеры. Сам по себе статус `Up` еще
 не доказывает, что вычисления работают: дальше проверим их в ноутбуке.
 ## Куда заходить после старта
-Открой в браузере:
+| Что открыть | Что должно быть видно |
 | --- | --- |
 | [Spark Master](http://localhost:8080) | Два worker-а в состоянии `ALIVE` |
 | [MinIO Console](http://localhost:9001) | После входа `minioadmin` / `minioadmin` виден бакет `lakehouse` — контейнер для файлов курса |
 | [VS Code](http://localhost:8889) | Слева папки **Ноутбуки**, **Примеры (только чтение)**, **Документация (только чтение)** |
- `http://localhost:8080` для `Spark Master UI`;
+В [Trino UI](http://localhost:8090) для входа достаточно имени, например `student`;
- `http://localhost:8090` для `Trino UI`;
+пароль в стенде не задан. Сейчас достаточно проверить, что интерфейс открывается.
- `http://localhost:9001` для `MinIO Console`;
+Чтение общих таблиц через Trino разберем в Модуле 6.
 - `http://localhost:8888` для `JupyterLab`.
-Для входа в `MinIO Console` используй:
+Этот маршрут предполагает Docker на твоем компьютере: `localhost` относится
-
+к машине с браузером. Доступ к VS Code на удаленном сервере описан отдельно
- логин: `minioadmin`;
+в [инструкции по SSH-туннелю](./docs/stack_reference.md#vs-code-в-браузере).
 - пароль: `minioadmin`.
 Если интерфейсы открываются, переходи в Jupyter и запускай:
 ```text
 notebooks/01_environment_and_smoke_test.ipynb
 ```
 ## Роли сервисов в стенде
@@ -97,68 +183,76 @@ notebooks/01_environment_and_smoke_test.ipynb
 | `PostgreSQL` | `catalog`: хранит метаданные JDBC-каталога Iceberg |
 | `Spark` | `compute`: выполняет PySpark и Spark SQL задания |
 | `Trino` | `compute`: читает те же таблицы через общий каталог |
-| `Jupyter` | Точка входа в учебные ноутбуки |
+| `VS Code / JupyterLab` | Интерфейсы для учебных ноутбуков |
-## Как работать в Jupyter
+## Как работать с ноутбуками
- JupyterLab доступен без логина только с хоста, на котором запущен стенд;
+Ноутбук — файл с пояснениями, кодом и сохраненным выводом. Ядро — процесс Python,
- при работе через VS Code Remote-SSH выбери `Existing Jupyter Server` и укажи `http://127.0.0.1:8888/`;
+который исполняет код и хранит переменные до остановки.
 - token в адрес добавлять не нужно: аутентификация и XSRF-проверка отключены для локального одно-пользовательского сценария;
 - `./notebooks` смонтирован в контейнер как `/opt/work`;
 - `./src` смонтирован read-only как `/opt/src`;
 - `./data` смонтирован read-only как `/opt/data`;
 - `PYTHONPATH=/opt/src`, поэтому helper-скрипты из `src/` доступны для импорта в ноутбуках;
 - первый ноутбук курса: `01_environment_and_smoke_test.ipynb`;
 - локальный учебный data bundle для Модуля 3 должен быть доступен внутри Jupyter по пути `/opt/data/nyc_taxi`.
-Ноутбуки берут адрес кластера из
+1. Открой `http://localhost:8889` в отдельной вкладке браузера.
-[`spark/spark-defaults.conf`](./spark/spark-defaults.conf). Если изменил его,
+2. Если сверху виден **Restricted Mode**, нажми **Manage → Trust** и закрой окно
-перезапусти ядро и заново создай Spark-сессию. Повторный запуск ячейки с
+   Workspace Trust. Подтверди доверие только к своей копии этого учебного
-`getOrCreate()` использует текущую сессию. При перезапуске ядра переменные Python
+   репозитория: в Restricted Mode запуск ноутбуков ограничен.
-сбрасываются, а учебные таблицы и файлы сохраняются.
+3. В папке **Ноутбуки** открой `01_environment_and_smoke_test.ipynb`.
 4. Нажми **Select Kernel → Python Environments** и выбери Python с путём
   `/usr/bin/python3`. Он находится внутри контейнера `ide`, где уже есть
   зависимости курса. Пункт **Existing Jupyter Server** здесь не нужен.
 5. Запусти первую кодовую ячейку кнопкой слева или `Shift+Enter`, затем остальные
   ячейки по порядку. Результат появится под ячейкой. Сохрани ноутбук через
   **File → Save** (`Ctrl+S`; на macOS — `Cmd+S`).
 Терминал VS Code тоже работает внутри контейнера. Команды `docker compose`
 выполняй в терминале хоста, откуда запускал стенд.
 ### Как понять, что первый запуск прошел
 В третьей кодовой ячейке первого ноутбука появится отчет, содержащий:
 ```text
 Spark cluster smoke test passed.
 master_url=spark://spark-master:7077
 result_sum=499999500000
 expected_sum=499999500000
 ```
 В отчете есть и другие строки; значения выше должны совпасть. Затем выполни
 самостоятельное задание: замени `TODO` в словаре `service_roles` ролями сервисов.
 Сам факт запуска ячейки с `TODO` не означает, что задание выполнено.
 В конце выполни ячейку `spark.stop()`, сохрани ноутбук и проверь, что его изменения
 видны в `notebooks/01_environment_and_smoke_test.ipynb` на хосте. После повторного
 открытия сохраненный вывод остается виден. Такой вывод — запись прошлого запуска;
 он не означает, что ядро Python и Spark-сессия продолжают работать.
 Правила запуска ячеек, перехода между модулями и сохранения данных собраны в
 [памятке учащегося](./docs/study_workflow.md).
 Запасной интерфейс — JupyterLab на `http://localhost:8888`. Файлы ноутбуков общие,
 а ядра и переменные Python отдельные. Перед переходом сохрани ноутбук и заверши
 Spark-сессию через `spark.stop()`; не редактируй один файл в двух интерфейсах
 одновременно.
 ## Базовая диагностика
-### Посмотреть список контейнеров
+Начни с `docker compose ps -a` и логов проблемного сервиса, например:
 ```bash
-docker compose ps
+docker compose logs --tail=100 ide
 ```
-### Посмотреть логи конкретного сервиса
+Выбери свой симптом в [таблице диагностики](./docs/study_workflow.md#если-что-то-не-работает).
-
+При ошибке скачивания сразу открой [диагностику сети](./docs/network_access.md).
 ```bash
 docker compose logs -f spark-master
 docker compose logs -f trino
 docker compose logs -f minio
 docker compose logs -f jupyter
 ```
 ### Типовые первые проверки
 - `Spark UI` не открывается: проверь `docker compose ps` и логи `spark-master`.
 - `Trino UI` не открывается: проверь `docker compose ps` и логи `trino`.
 - `JupyterLab` не открывается: проверь `docker compose ps` и логи `jupyter`.
 - `MinIO Console` не открывается: проверь `docker compose ps` и логи `minio`.
 - smoke test падает из ноутбука: сначала убедись, что `spark-master` и worker-ы видны в `Spark UI`.
 ## Restart и reset
-### Мягкий перезапуск стенда
+Для обычной паузы используй `docker compose stop`, на следующем занятии —
 `docker compose up -d`. Порядок действий и последствия удаления контейнеров
 описаны в [памятке](./docs/study_workflow.md#закончить-занятие).
-```bash
+Полный сброс удаляет учебные таблицы и каталог. Его команда вынесена в
-docker compose down
+[отдельный раздел](./docs/study_workflow.md#начать-с-чистых-данных), чтобы не путать
-docker compose up -d
+с окончанием занятия.
 ```
 ### Полный reset с удалением данных
 ```bash
 docker compose down -v
 docker compose up -d
 ```
 Используй полный reset, если хочешь пройти практику заново с чистого состояния.
 ## Подготовка учебного датасета (перед Модулем 3)
@@ -167,6 +261,7 @@ docker compose up -d
 Скачай каноническое учебное подмножество `NYC TLC Yellow Taxi Trip Records`:
 ```bash
 mkdir -p data/nyc_taxi
 curl -fLo data/nyc_taxi/yellow_tripdata_2024-01.parquet \
  https://d37ci6vzurychx.cloudfront.net/trip-data/yellow_tripdata_2024-01.parquet
 curl -fLo data/nyc_taxi/yellow_tripdata_2024-02.parquet \
@@ -197,13 +292,12 @@ ls -lh data/nyc_taxi/
 - Зачем: в Модуле 6 можно работать с Trino через DBeaver параллельно с ноутбуком — привычный SQL-интерфейс.
 - Предусловие: DBeaver установлен (ссылка на [dbeaver.io/download](https://dbeaver.io/download/)). Необязателен — ноутбук работает без DBeaver.
 - Шаги: New Database Connection -> Trino. Host: `localhost`. Port: `8090`. Database/Catalog: `lakehouse`. Username: любая строка (напр. `student`). Password: пусто. Test Connection -> Finish.
- Проверка: `SHOW SCHEMAS FROM lakehouse;`. Ожидаем: `bronze`, `default`, `information_schema`, `silver`.
+- Проверка: `SHOW SCHEMAS FROM lakehouse;`. После модулей 4–5 должны быть видны `bronze` и `silver`; до их прохождения этих схем может еще не быть.
 - Troubleshooting: стенд поднят? контейнер `trino` Up? порт 8090 свободен?
 ## Что делать дальше
- пройти `notebooks/01_environment_and_smoke_test.ipynb`;
+После первого ноутбука открой [маршрут по модулям](./docs/course_program.md#маршрут-по-модулям).
- пройти `notebooks/02_lakehouse_mental_model.ipynb`;
+В нем есть ссылки на все восемь уроков и результат, который нужно получить
- подготовить data bundle по инструкции выше и пройти `notebooks/03_raw_ingest_and_first_read.ipynb`;
+перед переходом дальше. Для следующего занятия сохрани ссылку на
- свериться с программой курса в `docs/course_program.md`;
+[памятку учащегося](./docs/study_workflow.md).
 - после прохождения первых модулей переходить к следующим учебным материалам.
@@ -121,7 +121,8 @@ services:
      - ./spark/spark-defaults.conf:/opt/spark/conf/spark-defaults.conf:ro
  minio:
-    image: quay.io/minio/minio:RELEASE.2024-10-02T17-50-41Z
+    # Один и тот же образ опубликован автором в GHCR и Docker Hub.
    image: &minio-image ${MINIO_REGISTRY:-ghcr.io}/coollabsio/minio:RELEASE.2025-04-22T22-12-26Z@sha256:a4938f37f1be1841b8e7b627ad0207b265345fd0d063e42d7410c78af0e63e68
    container_name: minio
    hostname: minio
    networks:
@@ -137,7 +138,7 @@ services:
      - minio-data:/data
  minio-init:
-    image: quay.io/minio/mc:RELEASE.2024-06-24T19-40-33Z-cpuv1
+    image: *minio-image
    container_name: minio-init
    hostname: minio-init
    networks:
@@ -145,13 +146,13 @@ services:
    depends_on:
      - minio
    entrypoint: >
-      /bin/sh -c "
+      /bin/sh -ec "
      echo 'Waiting for MinIO...';
      until mc alias set minio http://minio:9000 minioadmin minioadmin 2>/dev/null; do
        sleep 1;
      done;
      echo 'MinIO is up, creating bucket...';
-      mc mb -p minio/lakehouse || true;
+      mc mb --ignore-existing minio/lakehouse;
      echo 'Bucket lakehouse is ready';
      exit 0;
      "
@@ -160,6 +161,8 @@ services:
  jupyter:
    build:
      context: ./jupyter
      additional_contexts:
        spark-runtime: service:spark-master
      args:
        NB_UID: ${NB_UID:-1000}
        NB_GID: ${NB_GID:-100}
@@ -192,10 +195,45 @@ services:
      - ./src:/opt/src:ro
      - ./data:/opt/data:ro
  ide:
    build:
      context: ./ide
      additional_contexts:
        jupyter-runtime: service:jupyter
    container_name: ide
    hostname: ide
    depends_on:
      - spark-master
      - minio
      - iceberg-catalog-init
    networks:
      - spark-net
    environment:
      - AWS_ACCESS_KEY_ID=minioadmin
      - AWS_SECRET_ACCESS_KEY=minioadmin
      - PYTHONPATH=/opt/src
    ports:
      - "127.0.0.1:8889:8889"
    volumes:
      - ./spark/spark-defaults.conf:/opt/spark/conf/spark-defaults.conf:ro
      - ./notebooks:/opt/work
      - ./src:/opt/src:ro
      - ./data:/opt/data:ro
      - .:/opt/course:ro
      - ./notebooks:/opt/course/notebooks
    healthcheck:
      test: ["CMD", "curl", "-fsS", "http://127.0.0.1:8889/healthz"]
      interval: 10s
      timeout: 5s
      retries: 6
  trino:
    image: trinodb/trino:478
    container_name: trino
    hostname: trino
    # Heap JVM ограничен отдельно в trino/jvm.config; остальное — запас вне heap.
    mem_limit: 2g
    memswap_limit: 2g
    networks:
      - spark-net
    depends_on:
@@ -210,6 +248,7 @@ services:
      - "8090:8080"   # Web UI Trino
    volumes:
      - ./trino/catalog:/etc/trino/catalog:ro
      - ./trino/jvm.config:/etc/trino/jvm.config:ro
 networks:
  spark-net:
@@ -96,7 +96,7 @@
 * snapshot/time travel на прикладном уровне;
 * базовый `compaction/vacuum` с параллелями к `Greenplum AppendOnly`;
 * набор практик в Jupyter Notebooks с обязательными заданиями и checkpoints;
-* стартовая документация до первого ноутбука: prerequisites, запуск стенда, вход в Jupyter и базовый troubleshooting.
+* стартовая документация до первого ноутбука: prerequisites, запуск стенда, вход в браузерный VS Code и базовый troubleshooting.
 Ориентировочная программа курса вынесена в отдельный документ: **[course_program.md](./course_program.md)**.
@@ -152,7 +152,7 @@
 **Acceptance Criteria для учебных материалов и результата:**
-1. В составе курса есть стартовая документация до первого ноутбука, включая prerequisites, запуск стенда, вход в `Jupyter` и получение учебного data bundle.
+1. В составе курса есть стартовая документация до первого ноутбука, включая prerequisites, запуск стенда, вход в браузерный VS Code и получение учебного data bundle.
 2. Студент проходит обязательные `checkpoints` по урокам.
 3. Студент самостоятельно выполняет набор практик на одном датасете, включая:
   * подключение к Spark и загрузку raw-данных;
@@ -174,7 +174,7 @@
 **В скоупе:**
-* использование существующего `docker-compose.yml` (`Spark`, `Trino`, `MinIO`, `PostgreSQL`, `Jupyter`);
+* использование существующего `docker-compose.yml` (`Spark`, `Trino`, `MinIO`, `PostgreSQL`, `code-server`, `JupyterLab`);
 * подготовка учебных датасетов и/или инструкций по их загрузке в репозиторий;
 * наличие воспроизводимого способа получить учебный data bundle без ручного поиска по внешним сайтам;
 * поддержка выполнения запросов к `Trino` из ноутбуков;
@@ -1,6 +1,29 @@
 # Программа учебного курса: Lakehouse без магии
-Этот документ заменяет предыдущий черновой план и выравнивает программу с PRD из [course_prd.md](./course_prd.md).
+Здесь собраны порядок модулей, ссылки на ноутбуки и результаты, по которым можно
 проверить свою работу. Рамки курса и learning outcomes описаны в [course_prd.md](./course_prd.md).
 ## Маршрут по модулям
 Перед первым уроком подготовь стенд по [START_HERE](../START_HERE.md).
 Дальше проходи ноутбуки по порядку: файлы и таблицы из ранних модулей нужны в
 следующих. Пауза между занятиями описана в [памятке учащегося](./study_workflow.md).
 | Модуль и ноутбук | Что понадобится | Результат перед переходом дальше |
 | --- | --- | --- |
 | [1. Вход в стенд](../notebooks/01_environment_and_smoke_test.ipynb) | Работающий стенд | Smoke test вернул `499999500000`; ты можешь показать два worker-а и объяснить роли сервисов |
 | [2. Модель Lakehouse](../notebooks/02_lakehouse_mental_model.ipynb) | Модуль 1 | Ты нашел файлы демо-таблицы в MinIO и запись каталога в PostgreSQL; выполнил очистку демо по ноутбуку |
 | [3. Исходные данные](../notebooks/03_raw_ingest_and_first_read.ipynb) | [Четыре файла Taxi](../START_HERE.md#подготовка-учебного-датасета-перед-модулем-3) на хосте | Файлы загружены в raw-зону MinIO, Spark читает их; проверены схема и основные метрики |
 | [4. Bronze и Iceberg](../notebooks/04_bronze_with_iceberg.ipynb) | Raw-файлы из Модуля 3 | Созданы bronze-таблица поездок и таблица зон из самостоятельного задания; видны их данные и metadata-файлы |
 | [5. Silver](../notebooks/05_silver_layer.ipynb) | Обе bronze-таблицы | Создана silver-таблица, проверены правила очистки и качество результата |
 | [6. Spark и Trino](../notebooks/06_spark_and_trino_on_same_table.ipynb) | Silver из Модуля 5; DBeaver по желанию | Одна таблица читается обоими движками; ты можешь объяснить, какие компоненты у них общие |
 | [7. Изменения таблиц](../notebooks/07_safe_table_changes.ipynb) | Результаты предыдущих модулей | На демо-таблице проверены изменение схемы, чтение прошлого состояния и rollback; silver сохранена |
 | [8. Обслуживание и финальная практика](../notebooks/08_maintenance_and_final_lab.ipynb) | Raw, bronze и silver | Проверено обслуживание таблиц; самостоятельно пройден поток от исходных файлов до чтения и проверок результата |
 В каждом ноутбуке сначала прочитай объяснение, затем выполни демонстрацию и
 самостоятельное задание. Checkpoint в конце урока — вопросы и проверки для
 самопроверки. Сохраненный вывод помогает вернуться к результату, но не заменяет
 собственный запуск и объяснение.
 ## 1. Рамка курса
@@ -27,7 +50,7 @@
 ## 3. Состав учебных материалов
-Курс не должен состоять только из ноутбуков. Ноутбуки являются ядром практики, но вход в курс, запуск стенда и правила работы должны быть вынесены в обычную документацию, доступную до старта `Jupyter`.
+Курс не должен состоять только из ноутбуков. Ноутбуки являются ядром практики, но вход в курс, запуск стенда и правила работы должны быть вынесены в обычную документацию, доступную до открытия IDE.
 ### 3.1. Стартовая документация до первого ноутбука
@@ -38,15 +61,17 @@
 * `START_HERE.md` или аналогичный стартовый документ с маршрутом прохождения курса;
 * инструкция по prerequisites: `Docker`, `Docker Compose`, свободные порты, базовые команды;
 * пошаговый гайд по запуску стенда: `build`, `up`, проверка сервисов, открытие UI;
-* краткое объяснение, как пользоваться `Jupyter`, где лежат ноутбуки и как читать структуру урока;
+* краткое объяснение, как запускать Jupyter-ноутбуки в браузерном VS Code, где лежат ноутбуки и как читать структуру урока;
 * troubleshooting по типовым проблемам старта;
-* инструкция по reset/restart стенда для повторного прохождения практик.
+* [памятка учащегося](./study_workflow.md): продолжение занятия, сохранение данных,
  перезапуск ядра и диагностика;
 * отдельная инструкция по сбросу учебных данных для повторного прохождения практик.
 **Что должен закрывать этот слой:**
 * студент понимает, что нужно установить и проверить до начала курса;
 * студент может поднять стенд без ментора;
-* студент знает, как попасть в `Jupyter`, `MinIO`, `Trino UI`;
+* студент знает, как попасть в браузерный VS Code, `MinIO`, `Trino UI`;
 * студент понимает, как устроен формат уроков и что от него ожидается.
 ### 3.2. Практическое ядро курса
@@ -85,10 +110,10 @@
 **Содержание:**
-* запуск `docker compose build` и `docker compose up -d`;
+* скачивание готовых образов, сборка окружения и запуск по `START_HERE.md`;
 * проверка сервисов и веб-интерфейсов;
 * базовый smoke test для Spark;
-* первый обзор того, где в стенде `MinIO`, `PostgreSQL`, `Spark`, `Trino`, `Jupyter`.
+* первый обзор того, где в стенде `MinIO`, `PostgreSQL`, `Spark`, `Trino` и IDE.
 **Практика студента:**
@@ -17,7 +17,7 @@
 | Зона | Где лежит | Назначение |
 | --- | --- | --- |
-| Runtime / stand | `docker-compose.yml`, `spark/`, `trino/`, `jupyter/` | Топология сервисов, образы, конфиги, порты |
+| Runtime / stand | `docker-compose.yml`, `spark/`, `trino/`, `jupyter/`, `ide/` | Топология сервисов, образы, конфиги, порты |
 | Onboarding | `README.md`, `START_HERE.md` | Вход в репозиторий и первый пользовательский маршрут |
 | Runtime reference | `docs/stack_reference.md` | Технические детали стенда: порты, доступ, команды, smoke-тесты |
 | Course definition | `docs/course_prd.md`, `docs/course_program.md` | Границы курса, learning outcomes, структура модулей |
@@ -31,9 +31,10 @@
 | Файл или каталог | За что отвечает | Что не стоит туда складывать |
 | --- | --- | --- |
 | `docker-compose.yml` | Реальный состав сервисов, контейнеров, сетей, портов и зависимостей | Учебные пояснения, которые не нужны для запуска |
-| `spark/`, `trino/`, `jupyter/` | Конкретные runtime-конфиги и образы | Описание программы курса |
+| `spark/`, `trino/`, `jupyter/`, `ide/` | Конкретные runtime-конфиги и образы | Описание программы курса |
 | `README.md` | Верхнеуровневое объяснение репозитория, архитектуры и точек входа | Пошаговый student onboarding во всех деталях и low-level runtime reference |
 | `START_HERE.md` | Первый маршрут студента: prerequisites, запуск, первые UI, первый ноутбук, базовая диагностика | Полный PRD курса или подробный бэклог модулей |
 | `docs/study_workflow.md` | Повседневный маршрут: продолжить и закончить занятие, сохранить результат, восстановиться после ошибки | Состав модулей, установка окружения с нуля |
 | `docs/stack_reference.md` | Технический reference стенда: сервисы, порты, доступ, reset, smoke-тесты | Роль основного onboarding-документа или описание всей программы курса |
 | `docs/course_prd.md` | Product scope, аудитория, learning outcomes, dataset strategy, out of scope | Технические мелочи запуска контейнеров |
 | `docs/course_program.md` | Модульная структура курса, состав материалов, checkpoints | Подробные docker-команды и legacy-лабы |
@@ -75,6 +76,7 @@
 - `START_HERE.md`;
 - `docs/course_program.md`;
 - `docs/study_workflow.md`;
 - соответствующие `notebooks/`;
 - `README.md`, если меняется верхнеуровневый вход в репозиторий.
@@ -17,9 +17,9 @@
 | Модуль | Тема | Самостоятельная работа | Обсуждение с ментором | Комментарий |
 | --- | --- | --- | --- | --- |
-| 1 | Вход в стенд | 30-40 мин | 10-15 мин | Если Docker знаком, идёт быстро |
+| 1 | Вход в стенд | 30-40 мин | 10-15 мин | Без учета первой сборки: ее время зависит от сети и компьютера |
 | 2 | Ментальная модель | 40-60 мин | 15-20 мин | Ключевой модуль; убедись, что студент заходил в MinIO |
-| 3 | Raw-данные | 40-50 мин | 10 мин | Зависит от скорости загрузки данных |
+| 3 | Raw-данные | Около 2 часов | 10 мин | Включая 20–30 минут на практику со Spark-сессией; датасет скачивается заранее |
 | 4 | Bronze + Iceberg | 60-80 мин | 15-20 мин | Первая таблица — много новых концепций |
 | 5 | Silver | 50-70 мин | 15 мин | Трансформации + проверки качества |
 | 6 | Spark + Trino | 40-60 мин | 15 мин | Если DBeaver настроен заранее — быстрее |
@@ -34,8 +34,9 @@
 ### Модуль 1. Вход в стенд
- **Docker не хватает ресурсов.** Стенд требует ~4-6 ГБ RAM. На машинах с 8 ГБ бывают проблемы. Решение: увеличить лимиты Docker Desktop или закрыть лишние приложения.
+- **Docker не хватает ресурсов.** Сверься с [системными требованиями](../START_HERE.md#системные-требования). Проверь отдельно память компьютера и лимит памяти Docker Desktop/WSL2: контейнерам может быть доступна лишь часть RAM хоста.
- **Порты заняты.** 8080, 8888, 9000 — популярные порты. `docker compose ps` покажет, какой сервис не стартовал. Решение: остановить конфликтующий процесс или (крайний вариант) поменять порт в `docker-compose.yml`.
+- **После паузы виден старый вывод, но переменные пропали.** Разбери разницу между файлом ноутбука и ядром Python по [памятке учащегося](./study_workflow.md). Передай студенту ее до второго занятия; для обращения за помощью там есть список нужных сведений.
 - **Порты заняты.** Проверь 8080, 8889, 9000 и остальные [порты стенда](../START_HERE.md#порты-стенда). `docker compose ps -a` покажет, какой сервис не стартовал. Решение: остановить конфликтующий процесс или (крайний вариант) поменять порт в `docker-compose.yml`.
 - **Студент не читает `START_HERE.md`.** Начинает с ноутбуков до поднятия стенда. Направь обратно к стартовому документу.
 ### Модуль 2. Ментальная модель
@@ -0,0 +1,74 @@
 # Если образы или зависимости не скачиваются
 Доступность репозиториев зависит от сети и провайдера, в том числе в РФ.
 GHCR выбран основным источником MinIO, чтобы его загрузка не зависела от Docker
 Hub. Это не гарантия доступности без VPN у каждого провайдера: у стенда остаются
 другие внешние зависимости. Для первой сборки и скачивания датасета нужен интернет.
 ## Сначала найди источник ошибки
 Запускай команды в терминале хоста, из корня репозитория:
 ```bash
 docker compose pull minio minio-init postgres trino
 docker compose --progress plain build
 ```
 Если первая команда завершилась с ошибкой, сначала реши проблему загрузки образа.
 Если ошибка возникла во второй, найди имя сервиса и адрес, с которого скачивался
 файл. Открывающийся в браузере сайт ещё не подтверждает доступ из Docker.
 | Где возникла ошибка | Что скачивается | Что проверить |
 | --- | --- | --- |
 | `ghcr.io` при загрузке `minio` | Готовые MinIO и `mc` | Резервный источник ниже |
 | `docker.io`, `registry-1.docker.io`, `auth.docker.io` | PostgreSQL, Trino, базовый Spark; резерв MinIO | Доступ Docker к Docker Hub и настройки прокси |
 | Ubuntu archive, PyPI, Maven Central при сборке `spark` или `jupyter` | Системные пакеты, Python-пакеты и JAR | Доступ к зависимостям из сборки |
 | GitHub Releases, Open VSX при сборке `ide` | code-server и расширения | Доступ к зависимостям из сборки |
 ## Резервный источник MinIO
 Автор образа публикует его в двух местах: GHCR и Docker Hub. В обоих закреплён
 один digest, поэтому смена registry не меняет версию или содержимое образа.
 Ссылка на сборку и версия приведены в [техническом reference](./stack_reference.md#minio).
 Если GHCR недоступен, создай файл `.env` в корне репозитория и добавь строку:
 ```dotenv
 MINIO_REGISTRY=docker.io
 ```
 Если файл уже существует, измени только эту настройку. Другие значения, например
 `NB_UID` и `NB_GID`, сохрани. Затем повтори:
 ```bash
 docker compose pull minio minio-init
 ```
 Дальше используй обычные команды из [START_HERE](../START_HERE.md#быстрый-запуск).
 Для возврата к основному источнику установи `MINIO_REGISTRY=ghcr.io`.
 Оба источника публичные; регистрация для скачивания MinIO не требуется.
 `.env.example` содержит пример настроек, а `.env` исключён из Git.
 ## Если недоступны другие источники
 Переключение MinIO не меняет источник PostgreSQL, Trino, Spark или зависимостей
 сборки. Если в твоей сети нужен VPN или HTTP-прокси, важно, чтобы им мог
 пользоваться Docker, а не только браузер.
 - **Docker Desktop:** настрой прокси в разделе **Settings → Resources → Proxies**.
  См. [официальную инструкцию](https://docs.docker.com/desktop/settings-and-maintenance/settings/#proxies).
 - **Docker Engine на Linux:** скачиванием образов занимается демон Docker.
  Для него есть [отдельная настройка прокси](https://docs.docker.com/engine/daemon/proxy/).
 - **Команды внутри сборки:** `apt`, `pip`, `curl` и установка расширений требуют
  доступа из build-контейнера. Docker описывает
  [настройки прокси для сборок](https://docs.docker.com/engine/cli/proxy/#build-with-a-proxy-configuration)
  отдельно от настроек демона. Прокси на `localhost` хоста не обязательно
  доступен как `localhost` внутри контейнера.
 Ошибка `429` обычно означает лимит запросов, а `401`/`403` может быть связана
 с доступом к registry. Сам по себе этот код не доказывает блокировку по стране.
 Не меняй версии образов и не удаляй данные стенда для исправления сетевой ошибки.
 Если нужна помощь, передай ментору ОС, вывод `docker compose version`, команду,
 имя сервиса и фрагмент ошибки с адресом источника. Пароли и адреса прокси
 с учётными данными в сообщение не добавляй.
@@ -15,18 +15,22 @@
 | MinIO API | `minio` | `9000` | S3-compatible endpoint |
 | MinIO Console | `minio` | `9001` | веб-консоль бакетов и объектов |
 | PostgreSQL | `postgres-iceberg` | `5432` | JDBC-каталог Iceberg |
-| JupyterLab | `jupyter` | `8888` | практические ноутбуки |
+| VS Code в браузере (code-server) | `ide` | `8889` | основной интерфейс для ноутбуков и терминала |
 | JupyterLab | `jupyter` | `8888` | запасной интерфейс для тех же ноутбуков |
 ## Основные команды
-Все команды выполняются из корня репозитория.
+Все команды выполняются в терминале хоста из корня репозитория.
 Для первого запуска и настройки прав используй [START_HERE](../START_HERE.md),
 для продолжения работы — [памятку учащегося](./study_workflow.md).
 ### Сборка и запуск
 ```bash
 docker compose pull minio minio-init postgres trino
 docker compose build
 docker compose up -d
-docker compose ps
+docker compose ps -a
 ```
 ### Логи
@@ -36,16 +40,50 @@ docker compose logs -f spark-master
 docker compose logs -f trino
 docker compose logs -f minio
 docker compose logs -f jupyter
 docker compose logs -f ide
 ```
 ### Остановка и reset
-```bash
+| Действие | Команда | Что происходит с данными |
-docker compose down
+| --- | --- | --- |
-docker compose down -v
+| Пауза до следующего занятия | `docker compose stop` | Контейнеры остановлены, файлы и volumes сохранены |
-```
+| Продолжение | `docker compose up -d` | Сервисы запускаются с прежними данными |
 | Удаление контейнеров и сети | `docker compose down` | Volumes и файлы на хосте сохраняются, состояние внутри удаленных контейнеров теряется |
 | Полный сброс учебных данных | См. [отдельную инструкцию](./study_workflow.md#начать-с-чистых-данных) | Удаляются MinIO volume и каталог PostgreSQL |
-`down -v` удаляет volumes и возвращает стенд в чистое состояние.
+Переменные Python и живые Spark-сессии после остановки нужно создать заново.
 ## Ресурсы и проверенная среда
 Актуальный бюджет для учащегося приведен в
 [системных требованиях](../START_HERE.md#системные-требования).
 Он учитывает одновременную работу двух Spark worker-ов, драйвера в IDE, Trino,
 MinIO и PostgreSQL. У каждого worker-а в Compose указаны 2 CPU и 2 ГБ для
 приложений Spark; это не предел потребления всей JVM или контейнера.
 Потребление при простое не показывает пик во время урока.
 Проверка 19 октября 2026 года: Linux x86_64, Docker Engine, 6 CPU и около
 11,1 ГиБ памяти, видимых Docker. Выполнены первый ноутбук в Chromium и проверка
 Spark → Iceberg → Trino. Затем Trino проверен с лимитом контейнера 2 ГиБ и heap
 1 ГиБ на трех месяцах Taxi: 9 554 778 строк bronze, 9 418 184 строк silver
 и 265 зон. Запросы Модуля 6 и дополнительный JOIN со справочником прошли;
 агрегаты и JOIN сверены со Spark. Пик памяти контейнера Trino по cgroup составил
 около 1,25 ГиБ, событий OOM и перезапусков не было.
 Наблюдавшийся суммарный пик памяти контейнеров без неактивного файлового кэша
 составил около 5,44 ГиБ. Это измерение выбранного сценария, а не проверка всей
 среды под общим лимитом 8 ГБ: память Docker daemon, ядра и других процессов
 Linux/WSL2 в сумму не входит. Прогона всех восьми модулей под таким лимитом
 не было. Docker Desktop и ARM64 в этой проверке не запускались.
 Методика и результаты сохранены в [отчете проверки](../plans/trino-memory-validation.md).
 Размеры локально собранных образов на этой машине: Spark — около 3,37 ГБ,
 Jupyter — 3,72 ГБ, IDE — 4,90 ГБ. Jupyter включает слои Spark, IDE включает слои
 Jupyter: складывать эти три числа для оценки места неправильно. IDE добавляет
 около 1,18 ГБ. IDE вместе с отдельными образами Trino, PostgreSQL и MinIO дает
 около 8,1 ГБ до учета кэша сборки, данных и особенностей хранилища Docker.
 Поэтому перед первой сборкой нужен запас места сверх размера готовых образов.
 ## Доступ к сервисам
@@ -72,13 +110,33 @@ docker compose down -v
 Пример запуска smoke-скрипта:
 ```bash
-docker compose exec spark-master \
+docker compose exec ide python3 /opt/src/spark/cluster_smoke.py
  /opt/spark/bin/spark-submit /opt/src/spark/cluster_smoke.py
 ```
 ### Trino
 - Web UI: `http://localhost:8090`
 - Контейнер ограничен 2 ГиБ RAM (`mem_limit: 2g`). `memswap_limit: 2g`
  отключает swap для него: одинаковое значение задает общий предел RAM + swap.
 - В [`trino/jvm.config`](../trino/jvm.config) heap Java начинается с 512 МиБ
  и может вырасти до 1 ГиБ (`-Xms512M`, `-Xmx1G`). Остальная память контейнера
  оставлена для потоков, служебных структур JVM и буферов вне heap.
 Эти ограничения относятся к Trino; у всего Compose-проекта общего лимита
 памяти нет. Если контейнер достигнет жесткого предела, он может быть завершен
 системой. Увеличение только heap без изменения бюджета контейнера уменьшает
 запас для памяти вне heap. См. [лимиты Compose](https://docs.docker.com/reference/compose-file/services/#mem_limit)
 и [настройку JVM Trino](https://trino.io/docs/current/installation/deployment.html#jvm-config).
 После обновления этих файлов примени настройки из терминала хоста:
 ```bash
 docker compose up -d --no-deps --force-recreate trino
 docker compose ps -a trino
 ```
 Дождись `healthy`. Эта операция пересоздает только Trino и применяет в том числе
 изменения содержимого `jvm.config`; таблицы остаются в MinIO и PostgreSQL.
 CLI внутри контейнера:
@@ -106,7 +164,20 @@ SHOW TABLES FROM lakehouse.default;
 - логин: `minioadmin`
 - пароль: `minioadmin`
-Стенд использует зафиксированные исторические образы MinIO Server и `mc` из официального namespace `quay.io/minio`. Эти версии подходят для локального курса, но больше не получают обновлений upstream и не предназначены для production.
+Стенд использует готовый образ `coollabsio/minio:RELEASE.2025-04-22T22-12-26Z`.
 Это сторонняя [сборка из официальных исходников MinIO](https://github.com/coollabsio/minio),
 которая содержит сервер и клиент `mc` версии `RELEASE.2025-08-13T08-35-41Z`.
 Версия сервера предшествует [изменению встроенной консоли в мае 2025 года](https://github.com/minio/minio/releases/tag/RELEASE.2025-05-24T17-08-30Z).
 Образ подходит для локального курса; это историческая
 версия без текущих обновлений, не production-конфигурация.
 В Compose закреплён digest индекса для AMD64 и ARM64:
 `sha256:a4938f37f1be1841b8e7b627ad0207b265345fd0d063e42d7410c78af0e63e68`.
 Сервисы `minio` и `minio-init` используют один образ. Компиляция MinIO и установка
 Go не нужны. По умолчанию образ скачивается из GHCR без авторизации. Автор
 публикует тот же digest в Docker Hub; резервный источник выбирается через
 `MINIO_REGISTRY=docker.io` в `.env`. Подробности — в
 [инструкции по доступу к репозиториям](./network_access.md).
 Бакет `lakehouse` обычно создаётся автоматически контейнером `minio-init`.
@@ -126,6 +197,44 @@ psql -h localhost -p 5432 -U iceberg -d iceberg
 docker compose run --rm iceberg-catalog-init
 ```
 ### VS Code в браузере
 Открой `http://localhost:8889`. Сервис `ide` запускает code-server с установленными
 расширениями Python и Jupyter. Python, ipykernel, Java, PySpark и зависимости курса
 уже находятся в образе. Локальный Python или venv не нужен.
 В рабочей области доступны ноутбуки, примеры из `src/` и документация. Репозиторий
 смонтирован в `/opt/course` только для чтения, а его каталог `notebooks/` — для
 чтения и записи. Так относительные ссылки между документами и ноутбуками работают
 и внутри IDE. Пути `/opt/work`, `/opt/src`, `/opt/data` также доступны примерам курса.
 Открой
 `01_environment_and_smoke_test.ipynb`, нажми **Select Kernel → Python Environments**
 и выбери `/usr/bin/python3`. Это Python внутри контейнера IDE. Расширение Jupyter
 запускает ядро там же; адрес отдельного Jupyter Server вводить не требуется.
 Порт IDE опубликован только на `127.0.0.1`, без пароля, для одного пользователя.
 Открывай именно `localhost` или `127.0.0.1`: браузер считает их доверенным
 контекстом даже по HTTP. Notebook webview использует service worker; при обращении
 по обычному HTTP к IP сервера или имени в локальной сети этот механизм может
 быть недоступен. Это ограничение secure context, отдельное от CORS и XSRF.
 См. [secure contexts](https://developer.mozilla.org/en-US/docs/Web/Security/Defenses/Secure_Contexts)
 и [webviews в code-server](https://coder.com/docs/code-server/FAQ#why-do-web-views-not-work).
 Для стенда на удалённой машине используй SSH-туннель:
 ```bash
 ssh -N -L 8889:127.0.0.1:8889 user@host
 ```
 Затем открой `http://localhost:8889` на своём компьютере. Прямой доступ по
 публичному адресу не входит в эту конфигурацию.
 Образы собираются в порядке `spark-master → jupyter → ide` через Compose
 `additional_contexts` (нужен Docker Compose 2.17+ и BuildKit). Версии code-server
 и расширений зафиксированы в `ide/Dockerfile`; расширения скачиваются при сборке.
 Автоматическое обновление расширений отключено, чтобы повторный запуск использовал
 проверенные версии.
 ### JupyterLab
 - адрес: `http://localhost:8888`
@@ -137,6 +246,10 @@ docker compose run --rm iceberg-catalog-init
 - `./data` смонтирован read-only как `/opt/data`
 - `PYTHONPATH=/opt/src`
 JupyterLab остаётся запасным интерфейсом. Он редактирует те же файлы, но запускает
 отдельные ядра: переменные Python между IDE и JupyterLab не общие. Перед сменой
 интерфейса сохрани ноутбук и останови его ядро.
 Первый ноутбук курса: `notebooks/01_environment_and_smoke_test.ipynb`.
 Для Модуля 3 локально скачанный data bundle должен лежать на хосте в `./data/nyc_taxi` и будет доступен внутри Jupyter по пути `/opt/data/nyc_taxi`.
@@ -157,16 +270,39 @@ docker compose run --rm iceberg-catalog-init
 | `docker-compose.yml` | состав сервисов, порты, volumes, init-контейнеры |
 | `spark/spark-defaults.conf` | Spark master, catalog `lakehouse`, `s3a`, Iceberg extensions |
 | `trino/catalog/lakehouse.properties` | каталог Trino `lakehouse`, JDBC и S3-доступ |
 | `trino/jvm.config` | JVM Trino: heap до 1 ГиБ внутри контейнера с лимитом 2 ГиБ |
 | `spark/Dockerfile` | образ Spark с Iceberg, S3A и Python-зависимостями |
 | `jupyter/Dockerfile` | образ JupyterLab на базе Spark |
 | `ide/Dockerfile` | code-server и расширения на базе образа Jupyter |
 | `ide/lakehouse.code-workspace` | папки рабочей области и настройки Python |
 | `docs/network_access.md` | источники образов и зависимостей, резервный registry и диагностика сети |
 | `docs/study_workflow.md` | повседневная работа, сохранение состояния и диагностика ошибок |
 ## Smoke-тесты
 ### Браузерная IDE и Jupyter-ноутбук
 На Linux с Docker Engine, после запуска стенда:
 ```bash
 bash tests/browser_ide.sh
 ```
 Проверка запускает Chromium в отдельном контейнере и проходит путь студента:
 доверие рабочей области → открытие копии Модуля 1 → выбор Python → Run All →
 вывод Spark в webview → сохранение → повторное открытие. Затем проверяет, что
 все кодовые ячейки выполнились без ошибок и результат сохранился. Исходный
 ноутбук не меняется. Скриншот остаётся в каталоге `/tmp/lakehouse-browser-check.*`,
 путь печатается перед запуском. Docker Desktop этим скриптом не проверяется:
 он использует Linux host networking.
 Для проверки отдельного стенда можно задать `COMPOSE_FILE` и `IDE_URL`; по
 умолчанию тест использует текущий Compose-проект и `http://localhost:8889`.
 ### 1. Проверка, что Spark-кластер жив
 ```bash
-docker compose exec spark-master \
+docker compose exec ide python3 /opt/src/spark/cluster_smoke.py
  /opt/spark/bin/spark-submit /opt/src/spark/cluster_smoke.py
 ```
 ### 2. Проверка Spark -> Trino через общий каталог
@@ -259,6 +395,7 @@ SELECT * FROM <table> FOR VERSION AS OF <snapshot_id>;
 - `README.md` — чтобы понять, что это за репозиторий и куда идти дальше.
 - `START_HERE.md` — чтобы впервые поднять стенд и пройти Модуль 1.
 - `study_workflow.md` — чтобы продолжить занятие, сохранить результат и разобраться с ошибкой.
 - `stack_reference.md` — чтобы быстро вспомнить порты, команды, точки доступа, шпаргалку и smoke-тесты.
 - `course_program.md` — чтобы понять учебную траекторию дальше первого модуля.
 - `glossary.md` — чтобы вернуться к определению термина (storage, catalog, compute, snapshot и др.).
@@ -0,0 +1,153 @@
 # Как заниматься со стендом
 Для первой сборки используй [START_HERE](../START_HERE.md), для выбора урока —
 [маршрут по модулям](./course_program.md#маршрут-по-модулям). Эта памятка нужна,
 когда окружение уже готово.
 ## Начать следующее занятие
 1. Запусти Docker и открой терминал хоста в той же папке репозитория.
 2. Выполни:
   ```bash
   docker compose up -d
   docker compose ps -a
   ```
   Дождись `healthy` у `ide`, `trino` и `postgres-iceberg`. У двух init-контейнеров
   нормальное состояние — `Exited (0)`. Повторять сборку перед каждым занятием
   не нужно; она понадобится после изменения образов или зависимостей.
 3. Открой [VS Code в браузере](http://localhost:8889) и нужный ноутбук.
   При запросе ядра выбери **Select Kernel → Python Environments → /usr/bin/python3**.
 4. После остановки стенда переменные Python нужно создать заново: выполни
   импорты, создание Spark-сессии и подключений в начале текущего ноутбука.
   Сохраненный вывод ячеек может быть виден еще до их запуска.
 5. Продолжи с места, на котором остановился. Перед повтором ячеек с записью
   данных, `INSERT`, `CREATE OR REPLACE`, `DROP` или очисткой истории прочитай
   пояснение: повторный запуск может изменить таблицу или создать новый snapshot.
 Используй прежнюю папку репозитория: имя Compose-проекта определяет, какие
 Docker volumes подключаются. После переименования папки или запуска с другим
 `-p` можно получить новый пустой набор данных вместо предыдущего.
 ## Как проходить ноутбук
 Ноутбук состоит из пояснений и кодовых ячеек. Ядро Python выполняет код и хранит
 переменные в памяти. Spark-сессия связывает этот Python-процесс с кластером.
 - Прочитай пояснение, запусти ячейку через `Shift+Enter`, дождись окончания и
  сравни результат с описанием. Следующая ячейка может использовать предыдущие
  переменные, поэтому порядок важен.
 - В самостоятельном задании заполни `TODO` и проверь результат. **Run All**
  запускает код, но не выполняет задание за тебя.
 - Checkpoint — вопросы и проверки в конце урока. Покажи результат в своем
  стенде и объясни его своими словами перед переходом к следующему модулю.
 - Сохраняй изменения через **File → Save** (`Ctrl+S`; на macOS — `Cmd+S`).
  Файл ноутбука вместе с ответами и выводом записывается в `notebooks/` на хосте.
 - Перед следующим модулем выполни завершающую ячейку `spark.stop()`, если она
  есть; иначе вызови `spark.stop()` после окончания вычислений. Это освобождает
  ресурсы Spark для следующего приложения. Закрытие вкладки браузера само по
  себе не останавливает вычисления.
 Держи одну активную Spark-сессию: если несколько ноутбуков одновременно занимают
 все ядра worker-ов, новое задание может ждать ресурсы. Для своих SQL/Python-опытов
 можно создать дополнительный ноутбук в папке **Ноутбуки**. `src/`, документация
 и конфиги в IDE доступны только для чтения; их меняют в копии репозитория на хосте.
 ### Если нужно перезапустить ядро
 Сначала сохрани ноутбук. В верхней панели нажми **Restart** и подтверди перезапуск.
 Затем заново выполни импорты и создание Spark-сессии. Переменные Python исчезнут;
 файлы и записанные учебные таблицы сохранятся.
 Перезапуск нужен, например, после изменения адреса кластера в
 `spark/spark-defaults.conf` или после остановки Spark-сессии, с которой хочешь
 продолжить работу. Повторный `getOrCreate()` при живой сессии использует ее;
 подробнее это разбирается в Модуле 3.
 ## Закончить занятие
 Сохрани ноутбук, дождись завершения вычислений и запиши для себя номер модуля
 и следующую ячейку. Затем в терминале хоста выполни:
 ```bash
 docker compose stop
 ```
 Контейнеры остановятся и освободят занятую ими оперативную память. Файлы
 ноутбуков, исходные данные и таблицы останутся. На следующем занятии используй
 `docker compose up -d` из начала этой памятки.
 ## Что и где сохраняется
 Docker volume — хранилище вне файловой системы контейнера. В этом стенде два
 таких хранилища: `minio-data` с объектами и `postgres-data` с каталогом Iceberg.
 Имена volumes в Docker обычно имеют префикс Compose-проекта.
 | Что | Где находится | После `stop` или `down` без `-v` |
 | --- | --- | --- |
 | Код, ответы и сохраненный вывод ноутбуков | `notebooks/` на хосте; `/opt/work` и `/opt/course/notebooks` в IDE | Сохраняются |
 | Скачанные Parquet и CSV | `data/nyc_taxi/` на хосте; `/opt/data/nyc_taxi` в контейнере | Сохраняются |
 | Raw-файлы, данные и metadata-файлы Iceberg | Бакет `lakehouse`, volume `minio-data` | Сохраняются |
 | Записи каталога Iceberg | PostgreSQL, volume `postgres-data` | Сохраняются |
 | Переменные Python и живая Spark-сессия | Память процессов | Теряются; создай заново |
 | Настройки IDE, доверие рабочей области | Файловая система контейнера `ide` | При `stop` сохраняются; при удалении или пересоздании контейнера могут сброситься |
 `docker compose down` удаляет контейнеры и сеть проекта. Именованные volumes
 остаются, поэтому после `up -d` таблицы доступны снова. Для обычного окончания
 занятия достаточно `stop`. Поведение команд описано также в документации Docker:
 [stop](https://docs.docker.com/reference/cli/docker/compose/stop/),
 [down](https://docs.docker.com/reference/cli/docker/compose/down/).
 ### Начать с чистых данных
 Этот шаг нужен только для осознанного повторного прохождения с пустым
 хранилищем. Он удалит оба volumes: raw-данные в MinIO, таблицы, их историю
 и записи каталога PostgreSQL. Сохраненные ноутбуки и скачанные файлы в `data/`
 на хосте останутся.
 ```bash
 docker compose down -v
 docker compose up -d
 ```
 После сброса в ноутбуках еще может быть старый вывод. Заново создай raw в
 Модуле 3, bronze в Модуле 4 и silver в Модуле 5, прежде чем продолжать модули,
 которые используют эти данные. Сброс не является способом исправить сеть
 или выбор ядра.
 ## Если что-то не работает
 Все `docker compose` команды ниже выполняются в терминале хоста из корня
 репозитория. Имя сервиса для логов берется из колонки `SERVICE` в `ps`:
 например, `postgres`, хотя контейнер называется `postgres-iceberg`.
 | Симптом | Первая проверка | Что сделать дальше |
 | --- | --- | --- |
 | Docker не отвечает | `docker version`: есть ли раздел Server? | Запусти Docker; при `permission denied` проверь доступ своего пользователя к Docker |
 | Образ или зависимость не скачивается | Найди адрес источника и сервис в ошибке | Пройди [диагностику сети](./network_access.md) |
 | `port is already allocated` / `address already in use` | Какой порт занят, не запущена ли другая копия стенда? | Освободи нужный порт; [список портов](../START_HERE.md#порты-стенда) |
 | Сервис завершился, `unhealthy` или долго `starting` | `docker compose ps -a`, затем `docker compose logs --tail=100 <service>` | Для `postgres-iceberg` используй сервис `postgres`; проверь первую ошибку в логах |
 | VS Code не открывается | `docker compose ps -a ide`, логи `ide` | Дождись `healthy`, открой `http://localhost:8889`; для сервера используй [SSH-туннель](./stack_reference.md#vs-code-в-браузере) |
 | Ошибка notebook webview / service worker | Адрес в браузере и отдельная вкладка | Открой `http://localhost:8889`, без IP удаленного сервера и без встраивания в другой сайт |
 | Не выбирается ядро, нет `pyspark` | Рабочая область доверенная? Выбран `/usr/bin/python3`? | Повтори [выбор ядра](../START_HERE.md#как-работать-с-ноутбуками); детали в **View → Output → Jupyter** |
 | `NameError`, потерялась переменная | Ядро перезапускалось или выбран другой ноутбук? | Выполни импорты и подготовительные ячейки по порядку |
 | Spark долго ждет, `Initial job has not accepted any resources` | В Spark UI два worker-а `ALIVE`? Есть другие приложения в `Running Applications`? | Заверши свою предыдущую сессию через `spark.stop()`; проверь логи worker-ов |
 | Ядро умерло, контейнер убит, подозрение на память | `docker stats --no-stream`, лимит памяти Docker/WSL2 | Сверь [системные требования](../START_HERE.md#системные-требования), закрой другие вычисления; одного кода 137 недостаточно для вывода об OOM |
 | Ноутбук не сохраняется (`Permission denied`) | Это файл в папке **Ноутбуки**? Совпадает UID? | Проверь `.env` и [настройку прав перед сборкой](../START_HERE.md#быстрый-запуск); после изменения UID/GID повтори `docker compose build`, затем `docker compose up -d` |
 | Нет файлов Taxi или таблицы из прошлого модуля | Файлы в `data/nyc_taxi`, предыдущие модули, прежняя папка проекта | Для raw нужен Модуль 3, для bronze — 4, для silver — 5; после сброса восстанови их по порядку |
 ### Что передать ментору
 Укажи ОС, модуль, ячейку или команду, ожидаемый результат и полный текст ошибки.
 Приложи вывод:
 ```bash
 docker compose version
 docker compose ps -a
 docker compose logs --tail=100 ide
 ```
 В последней команде замени `ide` на проблемный сервис, если ошибка в другом компоненте.
 Для ошибки ноутбука добавь выбранный путь Python и вывод ячейки. Пароли, токены
 и адреса прокси с учетными данными в сообщение не включай.
@@ -0,0 +1,35 @@
 # Compose передаёт результат сборки jupyter через additional_contexts.
 FROM jupyter-runtime
 USER root
 ARG CODE_SERVER_VERSION=4.141.0
 ARG PYTHON_EXTENSION_VERSION=2026.4.0
 ARG JUPYTER_EXTENSION_VERSION=2025.9.1
 # Контрольные суммы .deb из выпуска code-server v4.141.0.
 RUN set -eux; \
    arch="$(dpkg --print-architecture)"; \
    case "$arch" in \
      amd64) checksum=f384beb4f3ba207e0bca27d0dbd36dd825d5aa909d78c6d4baa8703eaf6b77ba ;; \
      arm64) checksum=0bca33a9b01180ad88f0b8969a8e34ae1c76417df471697e7cd65c20ef5dd60d ;; \
      *) echo "Unsupported architecture: $arch" >&2; exit 1 ;; \
    esac; \
    curl -fL --retry 3 \
      "https://github.com/coder/code-server/releases/download/v${CODE_SERVER_VERSION}/code-server_${CODE_SERVER_VERSION}_${arch}.deb" \
      -o /tmp/code-server.deb; \
    echo "$checksum  /tmp/code-server.deb" | sha256sum -c -; \
    apt-get update; \
    apt-get install -y --no-install-recommends /tmp/code-server.deb; \
    rm -rf /tmp/code-server.deb /var/lib/apt/lists/*
 USER jovyan
 ENV HOME=/home/jovyan
 RUN code-server --install-extension "ms-python.python@${PYTHON_EXTENSION_VERSION}" \
 && code-server --install-extension "ms-toolsai.jupyter@${JUPYTER_EXTENSION_VERSION}"
 COPY lakehouse.code-workspace /opt/lakehouse.code-workspace
 COPY --chown=jovyan settings.json /home/jovyan/.local/share/code-server/User/settings.json
 EXPOSE 8889
 CMD ["code-server", "--bind-addr", "0.0.0.0:8889", "--auth", "none", \
     "--disable-telemetry", "--disable-update-check", \
     "/opt/lakehouse.code-workspace"]
@@ -0,0 +1,10 @@
 {
  "folders": [
    { "name": "Ноутбуки", "path": "/opt/course/notebooks" },
    { "name": "Примеры (только чтение)", "path": "/opt/course/src" },
    { "name": "Документация (только чтение)", "path": "/opt/course/docs" }
  ],
  "settings": {
    "python.defaultInterpreterPath": "/usr/bin/python3"
  }
 }
@@ -0,0 +1,8 @@
 {
  "extensions.autoUpdate": false,
  "extensions.autoCheckUpdates": false,
  "telemetry.telemetryLevel": "off",
  "workbench.startupEditor": "none",
  "chat.disableAIFeatures": true,
  "workbench.secondarySideBar.defaultVisibility": "hidden"
 }
@@ -1,5 +1,5 @@
 # Берем за основу контейнер, приготовленный для spark в spark/Dockerfile
-FROM de-spark-iceberg:3.5.1
+FROM spark-runtime
 USER root
 ENV DEBIAN_FRONTEND=noninteractive
@@ -12,10 +12,10 @@
        "На выходе ты должен:\n",
        "\n",
        "- понимать, что стенд уже поднят на хосте;\n",
-        "- подключиться к Spark-кластеру из Jupyter;\n",
+        "- подключиться к Spark-кластеру из ноутбука;\n",
        "- выполнить базовый smoke test;\n",
        "- сопоставить сервисы стенда с их ролями;\n",
-        "- знать первый маршрут диагностики через `docker compose ps`, логи и UI.\n"
+        "- знать первый маршрут диагностики через `docker compose ps -a`, логи и UI.\n"
      ]
    },
    {
@@ -25,15 +25,16 @@
      "source": [
        "## Перед стартом\n",
        "\n",
-        "Перед запуском этого ноутбука пройди шаги из `START_HERE.md`.\n",
+        "Если стенд еще не готов, выполни подготовку и запуск по [START_HERE](../START_HERE.md#быстрый-запуск).\n",
        "Если возвращаешься после паузы, используй [памятку учащегося](../docs/study_workflow.md).\n",
        "\n",
-        "Важно: `docker compose build`, `docker compose up -d`, `docker compose ps` и просмотр логов выполняются на хосте, а не внутри Jupyter.\n",
+        "Важно: `docker compose build`, `docker compose up -d`, `docker compose ps -a` и просмотр логов выполняются в терминале хоста; терминал браузерного VS Code работает внутри контейнера.\n",
        "\n",
        "Ожидаемое состояние перед началом:\n",
        "\n",
-        "- контейнеры `spark-master`, `spark-worker-1`, `spark-worker-2`, `minio`, `postgres-iceberg`, `trino`, `jupyter` уже подняты;\n",
+        "- контейнеры `spark-master`, `spark-worker-1`, `spark-worker-2`, `minio`, `postgres-iceberg`, `trino`, `jupyter`, `ide` уже подняты;\n",
-        "- открываются `Spark UI`, `Trino UI`, `MinIO Console` и `JupyterLab`;\n",
+        "- открываются `Spark UI`, `Trino UI`, `MinIO Console` и браузерный VS Code;\n",
-        "- ты работаешь в Jupyter внутри контейнера `jupyter`.\n"
+        "- ты выбрал ядро Python `/usr/bin/python3` внутри контейнера `ide` (Select Kernel → Python Environments).\n"
      ]
    },
    {
@@ -49,7 +50,7 @@
        "| `PostgreSQL` | `catalog`: хранит метаданные JDBC-каталога Iceberg |\n",
        "| `Spark` | `compute`: выполняет PySpark и Spark SQL |\n",
        "| `Trino` | `compute`: читает те же таблицы через общий каталог |\n",
-        "| `Jupyter` | Точка входа в учебные ноутбуки |\n",
+        "| `VS Code / JupyterLab` | Точка входа в учебные ноутбуки |\n",
        "\n",
        "В этом модуле мы не строим пайплайн и не создаём Iceberg-таблицы. Задача только одна: убедиться, что среда рабочая и понятная.\n"
      ]
@@ -120,7 +121,7 @@
        "\n",
        "Если тест проходит, это означает минимум следующее:\n",
        "\n",
-        "- Jupyter может создать SparkSession;\n",
+        "- ядро ноутбука может создать SparkSession;\n",
        "- Spark подключён к кластерному master;\n",
        "- задание действительно выполняется, а не падает на первом действии.\n"
      ]
@@ -146,10 +147,10 @@
        "\n",
        "Сделай руками и проверь себя:\n",
        "\n",
-        "1. Открой `Spark UI`, `Trino UI`, `MinIO Console` и `JupyterLab`.\n",
+        "1. Открой `Spark UI`, `Trino UI`, `MinIO Console` и браузерный VS Code.\n",
        "2. Сопоставь каждый сервис с одной из ролей: `storage`, `catalog`, `compute`, `entrypoint`.\n",
        "3. Объясни, почему этот smoke test не должен работать в `local[*]` режиме.\n",
-        "4. На хосте выполни `docker compose ps` и посмотри, какие контейнеры должны быть в состоянии `Up`.\n",
+        "4. На хосте выполни `docker compose ps -a` и посмотри, какие контейнеры должны быть в состоянии `Up`.\n",
        "5. На хосте выполни `docker compose logs -f trino` или `docker compose logs -f spark-master`, чтобы посмотреть, где начинается первичная диагностика.\n"
      ]
    },
@@ -166,7 +167,7 @@
        "    \"PostgreSQL\": \"TODO\",\n",
        "    \"Spark\": \"TODO\",\n",
        "    \"Trino\": \"TODO\",\n",
-        "    \"Jupyter\": \"TODO\",\n",
+        "    \"IDE\": \"TODO\",\n",
        "}\n",
        "service_roles\n"
      ]
@@ -181,10 +182,14 @@
        "К концу модуля ты должен уметь подтвердить:\n",
        "\n",
        "- стенд поднят и основные контейнеры живы;\n",
-        "- `Spark UI`, `MinIO Console`, `Trino UI` и `JupyterLab` открываются;\n",
+        "- `Spark UI`, `MinIO Console`, `Trino UI` и браузерный VS Code открываются;\n",
-        "- smoke test завершился успешно и вернул ожидаемый результат;\n",
+        "- smoke test напечатал `Spark cluster smoke test passed.` и `result_sum=499999500000`;\n",
-        "- ты понимаешь назначение `MinIO`, `PostgreSQL`, `Spark`, `Trino`, `Jupyter`;\n",
+        "- ты понимаешь назначение `MinIO`, `PostgreSQL`, `Spark`, `Trino` и IDE;\n",
-        "- ты знаешь, что первый маршрут диагностики начинается с `docker compose ps`, `docker compose logs -f <service>` и проверки UI.\n"
+        "- ты знаешь, что первый маршрут диагностики начинается с `docker compose ps -a`, `docker compose logs -f <service>` и проверки UI.\n",
        "\n",
        "После последней ячейки `spark.stop()` сохрани ноутбук. Дальше — [Модуль 2](./02_lakehouse_mental_model.ipynb)\n",
        "или [завершение занятия](../docs/study_workflow.md#закончить-занятие).\n",
        "Все уроки собраны в [маршруте по модулям](../docs/course_program.md#маршрут-по-модулям)."
      ]
    },
    {
@@ -0,0 +1,107 @@
 # Проверка лимита памяти Trino
 Дата: 19 октября 2026 года. Это отчет о проверке; актуальная конфигурация
 находится в `docker-compose.yml` и `trino/jvm.config`, требования для учащегося —
 в `START_HERE.md`.
 ## Что проверяли
 Trino 478 в контейнере с пределом 2 ГиБ RAM, без swap, с Java heap от 512 МиБ
 до 1 ГиБ. JVM сама подбирает размер регионов G1; вместо настройки образа
 `G1HeapRegionSize=32M` для большого heap получен регион 1 МиБ.
 Среда: Linux x86_64, Docker Engine, cgroup v2, 6 CPU и 11,14 ГиБ памяти,
 видимых Docker. Остальные сервисы стенда работали одновременно. Общего лимита
 8 ГБ для проекта или виртуальной машины в этом прогоне не было.
 Исходные файлы основного маршрута курса:
 | Файл | Размер, байт |
 | --- | ---: |
 | `yellow_tripdata_2024-01.parquet` | 49 961 641 |
 | `yellow_tripdata_2024-02.parquet` | 50 349 284 |
 | `yellow_tripdata_2024-03.parquet` | 60 078 280 |
 | `taxi_zone_lookup.csv` | 12 331 |
 Файлы взяты из уже скачанного учебного набора, без выборки или сокращения.
 ## Сценарий
 1. Перед изменением проверены отсутствие активных Spark-приложений и запросов
   Trino, чтение существующей таблицы `lakehouse.default.spark_trino_smoke`.
 2. Пересоздан только Trino. Запуск до `SERVER STARTED` занял около 25 секунд,
   healthcheck прошел.
 3. Созданы отдельная временная схема `trino_memory_<id>` и собственный префикс
   `validation/trino_memory_<id>/raw/` в MinIO. Таблицы курса не перезаписывались.
 4. Spark подготовил bronze и справочник по SQL Модуля 4; фильтры, нормализации,
   два JOIN со справочником и silver выполнены кодом Модуля 5. Проверки качества
   этого модуля также прошли. Получены 9 554 778 строк bronze, 9 418 184 строк
   silver и 265 строк справочника.
 5. Через Python-клиент Trino выполнены 11 запросов из Модуля 6: просмотр схем,
   таблиц и колонок, выборки, подсчет строк, общие метрики, агрегаты по районам
   и топ-10 зон. Имена таблиц заменены на временные; SQL сохранен.
 6. Дополнительно дважды выполнен JOIN всей bronze со справочником зон и
   группировкой по району:
   ```sql
   SELECT z.Borough, count(*) AS trips, avg(b.fare_amount) AS avg_fare
   FROM <bronze> b
   LEFT JOIN <zones> z ON b.PULocationID = z.LocationID
   GROUP BY z.Borough
   ORDER BY trips DESC;
   ```
 7. Подсчет строк, общие метрики, агрегаты по районам, топ зон, чтение созданной
   Spark таблицы итогов и оба JOIN сверены с результатами Spark. Для чисел с
   плавающей точкой использован допуск `1e-8`. Ошибки Python-клиента Trino
   пробрасывались наружу, без обработчика исключений из ноутбука.
 8. Повторно прочитана прежняя smoke-таблица: результат `1 / from_spark` сохранен.
   Всего завершились успешно 14 запросов. Временные таблицы удалены с `PURGE`,
   затем удалены временная схема и собственный raw-префикс. После `PURGE`
   отдельно удалены восемь пустых маркеров каталогов в собственном warehouse-префиксе.
   Проверено отсутствие временных объектов; исходные Parquet/CSV на хосте сохранены.
 ## Измерения
 | Показатель | Результат |
 | --- | ---: |
 | Лимит контейнера (`memory.max`) | 2 147 483 648 байт |
 | Лимит swap (`memory.swap.max`) | 0 |
 | Фактический `MaxHeapSize` через `jcmd 1 VM.flags` | 1 073 741 824 байта |
 | Пик контейнера Trino (`memory.peak`) | 1 340 874 752 байта, около 1,25 ГиБ |
 | События `oom`, `oom_kill`, `max` в `memory.events` | 0 |
 | Перезапуски Trino | 0 |
 | Пик суммы `memory.current` восьми контейнеров | около 5,89 ГиБ |
 | Пик той же суммы за вычетом `inactive_file` | около 5,44 ГиБ |
 Суммарная память снималась раз в секунду, получено 165 отсчетов во время
 подготовки таблиц, запросов и очистки. Пик Trino взят из счетчика cgroup,
 который учитывает и запуск контейнера. Вычитание `inactive_file` приближает
 сумму к показателю памяти в `docker stats`; файловый кэш показан отдельно.
 Агрегаты по silver обработали 9 418 184 строки каждый, что подтверждено
 статистикой запросов Trino. `count(*)` по bronze использовал метаданные Iceberg;
 проверкой чтения bronze служил также JOIN со справочником.
 ## Границы вывода
 Бюджет Trino 2 ГиБ / heap 1 ГиБ достаточен для проверенных запросов на основном
 наборе курса при одном учащемся. Измерение не подтверждает работу всех восьми
 модулей под общим жестким лимитом 8 ГБ. В сумму контейнеров не входят Docker
 daemon, ядро и другие процессы Linux/WSL2. Docker Desktop, Windows, ARM64,
 параллельные занятия и расширенный набор Taxi за 12 месяцев не проверялись.
 Для повторной проверки подними стенд с этой конфигурацией и пройди модули 3–6
 на трех месяцах Taxi, добавив JOIN выше. Временная схема нужна, если важно
 сохранить существующие учебные таблицы. Примененный лимит можно проверить
 с хоста:
 ```bash
 docker inspect --format '{{.HostConfig.Memory}} {{.HostConfig.MemorySwap}}' trino
 docker compose exec trino jcmd 1 VM.flags
 docker compose exec trino cat /sys/fs/cgroup/memory.peak
 docker compose exec trino cat /sys/fs/cgroup/memory.events
 ```
 Последние два пути относятся к cgroup v2; счетчики накапливаются с запуска
 контейнера. Числа нового прогона могут отличаться.
@@ -0,0 +1,100 @@
 // Запуск через browser_ide.sh: настоящий notebook editor, локальное ядро и webview.
 const assert = require('node:assert/strict');
 const fs = require('node:fs');
 const path = require('node:path');
 const { chromium } = require('playwright');
 const notebookName = 'lakehouse-browser-smoke.ipynb';
 const notebook = JSON.parse(fs.readFileSync(
  path.join(__dirname, '../notebooks/01_environment_and_smoke_test.ipynb'), 'utf8',
 ));
 const smokeCell = notebook.cells.findIndex(cell =>
  cell.source.join('').includes('smoke_report = run_cluster_smoke(spark)'),
 );
 async function openNotebook(page) {
  await page.keyboard.press('Control+p');
  await page.keyboard.type(`/tmp/${notebookName}`);
  await page.getByRole('option').filter({ hasText: notebookName }).first().waitFor();
  await page.keyboard.press('Enter');
  await page.getByRole('list', { name: /Notebook Use/ }).waitFor();
 }
 async function checkOutput(page) {
  // Notebook editor виртуализирует ячейки: сначала показываем нужную ячейку.
  const list = page.getByRole('list', { name: /Notebook Use/ });
  await list.press('Control+Home');
  for (let i = 0; i < smokeCell; i++) await list.press('ArrowDown');
  await page.getByRole('button', {
    name: `Cell ${smokeCell + 1} of ${notebook.cells.length}`, exact: true,
  }).waitFor();
  for (let attempt = 0; attempt < 30; attempt++) {
    for (const frame of page.frames()) {
      const output = frame.getByText('result_sum=499999500000', { exact: false });
      if (await output.count() && await output.first().isVisible()) return;
    }
    await page.waitForTimeout(500);
  }
  throw new Error('Notebook webview did not render the expected Spark result');
 }
 (async () => {
  assert(smokeCell >= 0, 'Module 1 must contain the cluster smoke cell');
  const browser = await chromium.launch({ headless: true });
  const page = await browser.newPage({ viewport: { width: 1440, height: 1000 } });
  page.setDefaultTimeout(30000);
  const webviewErrors = [];
  page.on('console', message => {
    if (/Error loading webview|Could not register.*service.?worker/i.test(message.text())) {
      webviewErrors.push(message.text());
    }
  });
  try {
    await page.goto(process.env.IDE_URL || 'http://localhost:8889', {
      waitUntil: 'domcontentloaded',
    });
    assert(await page.evaluate(() => isSecureContext && 'serviceWorker' in navigator));
    await page.getByRole('tree', { name: 'Files Explorer' }).waitFor();
    // Баннер появляется позже Explorer; при повторном тесте доверие уже сохранено.
    const restricted = page.getByRole('banner').filter({ hasText: 'Restricted Mode' });
    await restricted.waitFor({ timeout: 10000 }).catch(error => {
      if (error.name !== 'TimeoutError') throw error;
    });
    if (await restricted.count()) {
      await restricted.getByRole('button', { name: 'Manage', exact: true }).click();
      await page.getByRole('button', { name: 'Trust', exact: true }).click();
      await page.getByRole('button', { name: 'Close Modal Editor (Escape)' }).click();
      await restricted.waitFor({ state: 'hidden' });
    }
    console.log('PASS: workspace trust enabled');
    await openNotebook(page);
    await page.getByRole('button', { name: 'Select Kernel', exact: true }).click();
    await page.getByRole('option', { name: 'Python Environments...' }).click();
    await page.getByRole('option').filter({ hasText: '/usr/bin/python3' }).click();
    console.log('PASS: notebook editor and local Python kernel selection');
    await page.getByRole('button', { name: 'Run All', exact: true }).click();
    await page.getByRole('button', { name: 'Interrupt', exact: true }).waitFor();
    await page.getByRole('button', { name: 'Run All', exact: true }).waitFor({ timeout: 120000 });
    await checkOutput(page);
    await page.keyboard.press('Control+s');
    console.log('PASS: Spark output rendered in notebook webview over HTTP localhost');
    await page.getByRole('tab', { name: notebookName, exact: true })
      .getByRole('button', { name: 'Close (Ctrl+W)' }).click();
    await openNotebook(page);
    await checkOutput(page);
    assert.deepEqual(webviewErrors, []);
    await page.screenshot({ path: '/artifacts/notebook.png' });
    await page.getByRole('tab', { name: notebookName, exact: true })
      .getByRole('button', { name: 'Close (Ctrl+W)' }).click();
    console.log('PASS: saved notebook reopened with its output');
  } catch (error) {
    await page.screenshot({ path: '/artifacts/failure.png' }).catch(() => {});
    throw error;
  } finally {
    await browser.close();
  }
 })().catch(error => { console.error(error); process.exitCode = 1; });
@@ -0,0 +1,34 @@
 #!/usr/bin/env bash
 # Проверка UI на Linux Docker Engine; зависимости браузера остаются в контейнере.
 set -euo pipefail
 cd "$(dirname "$0")/.."
 artifact_dir=$(mktemp -d /tmp/lakehouse-browser-check.XXXXXX)
 echo "Browser artifacts: $artifact_dir"
 docker compose exec -T ide cp /opt/work/01_environment_and_smoke_test.ipynb \
  /tmp/lakehouse-browser-smoke.ipynb
 docker run --rm --network host --shm-size=1g \
  -e IDE_URL="${IDE_URL:-http://localhost:8889}" \
  -v "$PWD:/repo:ro" -v "$artifact_dir:/artifacts" \
  mcr.microsoft.com/playwright:v1.56.1-noble \
  bash -c 'npm install --prefix /tmp/browser-test --no-audit --no-fund playwright@1.56.1 >/dev/null &&
    NODE_PATH=/tmp/browser-test/node_modules node /repo/tests/browser_ide.cjs'
 docker compose exec -T ide python3 - <<'PY'
 import json
 from pathlib import Path
 path = Path('/tmp/lakehouse-browser-smoke.ipynb')
 notebook = json.loads(path.read_text())
 cells = [cell for cell in notebook['cells'] if cell['cell_type'] == 'code']
 assert all(cell['execution_count'] is not None for cell in cells)
 assert not any(output['output_type'] == 'error'
               for cell in cells for output in cell.get('outputs', []))
 output = '\n'.join(''.join(item.get('text', []))
                   for cell in cells for item in cell.get('outputs', []))
 assert 'master_url=spark://spark-master:7077' in output
 assert 'result_sum=499999500000' in output
 path.unlink()
 print(f'PASS: all {len(cells)} code cells executed and saved without errors')
 PY
@@ -0,0 +1,17 @@
 # Параметры образа trinodb/trino:478 с бюджетом памяти для локального курса.
 -server
 -agentpath:/usr/lib/trino/bin/libjvmkill.so
 -Xms512M
 -Xmx1G
 # Размер регионов G1 выбирает JVM с учетом небольшого heap.
 -XX:+ExplicitGCInvokesConcurrent
 -XX:+HeapDumpOnOutOfMemoryError
 -XX:+ExitOnOutOfMemoryError
 -XX:-OmitStackTraceInFastThrow
 -XX:ReservedCodeCacheSize=256M
 -XX:PerMethodRecompilationCutoff=10000
 -XX:PerBytecodeRecompilationCutoff=10000
 -Djdk.attach.allowAttachSelf=true
 -Djdk.nio.maxCachedBufferSize=2000000
 -Dfile.encoding=UTF-8
 -XX:+EnableDynamicAgentLoading