我刚刚开始学习hadoop，我想确认我对“如何将xml文件存储在hdfs中并由mappers处理”的理解。
我有一个xml文件，xml格式如下。它的简单customerlist xml示例。此文件的大小为1 gb。现在，如果我将这个文件移到hdfs中，它将被分割成16个块（如果我们将每个分割的默认块大小保持为64mb）。因此，将有16个Map程序来处理这个文件，每个块一个。

<?xml version="1.0"?>
    <customerList>
       <customer>
        <id></id>
        <name></name>
        <age></age>
        <address></address>
       </customer>
       <customer>
        <id></id>
        <name></name>
        <age></age>
        <address></address>
       </customer>
...
...

现在，如果我理解正确的话，一个Map绘制者会认为每一项工作都是完整的 <customer></customer> 用于处理的标记可能会失败，因为使用 -put 或者 -copyFromLocal 不保证hdfs中的每个分割块都有 n 完成的数量 <customer></customer> 贴上标签。一些分裂块可能会结束如下。

...
   ...

       <customer>
        <id></id>
        <name></name>
        <age></age>
        <address></address>
       </customer>
       <customer>
        <id></id>
        <name></name>

现在如果我们想确保每个区块都有一个完整的客户标签 <customer></customer> ，我们可以采用以下解决方案。
avro：将每个客户的xml转换成avro类型，比如记录类型，并使用avro serialize，把这个文件作为hdfs中的“avro data file”，支持拆分，可以保证一个块中有一个完整的avro记录。
序列文件：我不确定这个，但我认为我们可以标记同步点，同时创建一个序列文件，这是用来分裂成块的文件。在这里，我们可以标记每个客户标签的结尾 </customer> '作为同步点，这将保证没有客户开始标记' <customer> '将在同一块中没有结束标记。
有人能证实我的理解是否正确吗？除了这两个问题，还有别的解决办法吗。