fix(readme): Actualise startup process description

README.md

@@ -12,14 +12,22 @@
 
 1. Клонировать репозиторий на локальную машину командой `git clone https://github.com/murzindima/graduate_work.git`
 2. Перейти в директорию проекта командой `cd graduate_work`
-3. Запустить docker-compose командой `docker-compose up --build`
+3. Запустить docker-compose командой `docker-compose -f docker-compose-recommendations.yml up --build`
 4. Перейти на <http://localhost:90/api/openapi> для просмотра документации по API сервиса Recommendations
 
-`*` При первом запуске необходимо дождаться инициализации базы данных и загрузки данных
+`*` PostgreSQL сервиса Movies будет инициализирован автоматически на старте контейнера PostgreSQL из файла `movies/postgres_movies/create_schema.sql` без данных.
 
 `**` Для простоты проверки работоспособности по согласованию с наставником на некоторых ручках API была отключена авторизация и сервис авторизации не был подключен
 
-`***` Для проверки работоспособности рекомендаций можно воспользоваться скриптом в директории `recommendations/sqlite2mongo` для переноса данных из SQLite в MongoDB. Файл SQLite базы данных взят из теории первых спринтов. Скрипт наполнит MongoDB случайными данными, но с реальными ID фильмов. Для конфигурации скрипта требуется две переменные окружения: `SQLITE_FILE` -- путь к файлу SQLite базы данных (по умолчанию файл ищется в каталоге откуда запускается скрипт) и `UGC_API_URL` -- URL API сервиса UGC (по умолчанию <http://localhost:60/api/v1/movies>). Cкрипт можно запустить командой `python3 main.py`
+В итоге у вас будет полностью готовая к работе инфраструктура для рекомендательной системы, без данных.
+
+Если же хотите так же наполнить всеми необходимыми данными, то следуйте инструкциям ниже.
+
+1. Необходимо наполнить базу сервиса Movies. Для этого можно воспользоваться скриптом из директории `movies/sqlite_to_postgres`. Скрипт переносит данные из SQLite базы данных в PostgreSQL. Для конфигурации скрипта требуется создать файл `.env`. Пример файла можно найти в файле `.env.example`. После создания файла `.env` можно запустить скрипт командой `python3 load_data.py`. Удостоверьтесь, что PostgreSQL сервиса Movies доступен по адресу `localhost:5432`
+2. После чего требуется перезапустить контейнер сервиса ETL командой `docker-compose restart etl_movies` для загрузки данных из PostgreSQL в Elasticsearch
+3. Для того, чтобы наполнить MognoDB сервиса Recommendations можно воспользоваться скриптом в директории `recommendations/sqlite2mongo` для переноса данных из SQLite в MongoDB. Файл SQLite базы данных взят из теории первых спринтов. Скрипт наполнит MongoDB случайными данными, но с реальными ID фильмов. Для конфигурации скрипта требуется две переменные окружения: `SQLITE_FILE` -- путь к файлу SQLite базы данных (по умолчанию файл ищется в каталоге откуда запускается скрипт) и `UGC_API_URL` -- URL API сервиса UGC (по умолчанию <http://localhost:60/api/v1/movies>). Наполенение происходит через API, то есть прямого доступа к MognoDB не требуется. Cкрипт можно запустить командой `python3 main.py`
+
+Теперь всё готово и можно пользоваться рекомендательной системой.
 
 ## Сервисы