我有一个pig拉丁语脚本，它接收一些xml，使用xpath udf提取一些字段，然后存储结果字段：

REGISTER udf-lib-1.0-SNAPSHOT.jar;
DEFINE XPath com.blah.udfs.XPath();

docs = LOAD '$input' USING com.blah.storage.XMLLoader('root') as (content:chararray);

results = FOREACH docs GENERATE XPath(content, 'root/id'), XPath(content, 'root/otherField'), content;

store results into '$output';

注意，我们在集群上使用pig-0.12.0，所以我从pig-0.14.0中删除了xpath/xmloader类，并将它们放在自己的jar中，以便在0.12中使用它们。
上面的脚本运行良好，并生成我要查找的数据。但是，它生成1900多个零件文件，每个文件中只有几MB。我了解了默认的\u parallel选项，所以我将其设置为128以尝试获取128个partfiles。我最后不得不添加一个片段来强制一个reduce阶段来实现这一点。我的脚本现在看起来像：

set default_parallel 128;
REGISTER udf-lib-1.0-SNAPSHOT.jar;
DEFINE XPath com.blah.udfs.XPath();

docs = LOAD '$input' USING com.blah.storage.XMLLoader('root') as (content:chararray);

results = FOREACH docs GENERATE XPath(content, 'root/id'), XPath(content, 'root/otherField'), content;

forced_reduce = FOREACH (GROUP results BY RANDOM()) GENERATE FLATTEN(results);
store forced_reduce into '$output';

同样，这会产生预期的数据。另外，我现在得到128个零件文件。我现在的问题是数据在零件文件中的分布不均匀。有些有8兆，有些有100兆。我在按random（）：）对它们进行分组时应该预料到这一点。
我的问题是，在保持零件文件大小均匀的情况下，限制零件文件数量的首选方法是什么？我对pig/pig拉丁语不太熟悉，我想我是用一种完全错误的方式来做这件事的。
p、 我之所以关心部件文件的数量，是因为我想用spark处理输出，我们的spark cluster似乎用较少的文件做得更好。