在保存MLlib模型时，可以通过设置参数numPartitions来控制保存的文件数量。numPartitions表示将模型数据划分为多少个分区，每个分区将保存为一个文件。

以下是一个示例代码，展示如何在保存MLlib模型时控制文件数量：

from pyspark import SparkContext
from pyspark.mllib.linalg import Vectors
from pyspark.mllib.regression import LabeledPoint
from pyspark.mllib.tree import RandomForest

# 创建SparkContext
sc = SparkContext("local", "MLlib Model Saving")

# 创建一个样本数据集
data = [
    LabeledPoint(0.0, Vectors.dense([0.0, 0.0])),
    LabeledPoint(1.0, Vectors.dense([0.0, 1.0])),
    LabeledPoint(1.0, Vectors.dense([1.0, 0.0])),
    LabeledPoint(0.0, Vectors.dense([1.0, 1.0]))
]
rdd = sc.parallelize(data)

# 训练随机森林模型
model = RandomForest.trainClassifier(rdd, numClasses=2, categoricalFeaturesInfo={}, numTrees=3)

# 保存模型时控制文件数量
model.save(sc, "path_to_save_model", numPartitions=1)  # 设置numPartitions为1，将模型数据保存为一个文件

# 加载模型
loaded_model = RandomForestModel.load(sc, "path_to_save_model")

在上述代码中，通过设置numPartitions=1，将模型数据保存为一个文件。如果需要保存为多个文件，可以根据需求设置numPartitions的值。

需要注意的是，numPartitions的值应根据数据的大小和分布进行调整。较大的值会导致生成更多的文件，可能会增加加载和保存模型的时间。较小的值可能会导致每个文件的大小增大，可能会对存储和读取性能产生负面影响。因此，需要根据实际情况进行权衡和调整。