部分文件的大小对Spark SQL性能确实会产生影响。较小的文件会导致Spark作业启动的开销增加，并且在处理过程中需要更多的I/O操作。为优化性能，可以采取以下解决方法：

1. 合并小文件：如果数据源中存在大量小文件，可以使用合并操作将它们合并为较大的文件。可以使用coalesce或repartition函数来减少文件数量。例如：

val df = spark.read.parquet("path/to/files")
val mergedDf = df.coalesce(10) // 合并为10个文件

2. 压缩文件：对于文本文件，可以使用压缩算法（如gzip或snappy）来减小文件大小。可以在读取文件时指定压缩格式。例如：

val df = spark.read.text("path/to/files/*.txt.gz")

3. 使用分区：如果数据可以按照某种规则进行分区，可以将数据分成多个文件夹或子文件夹。这样可以在查询时只加载必要的分区，减少不必要的数据读取。例如：

val df = spark.read.parquet("path/to/files/partitionColumn=value")

4. 使用列式存储格式：Spark默认使用Parquet列式存储格式，这种格式可以对数据进行高效压缩和编码，减小文件大小。可以使用Parquet格式来存储和读取数据。例如：

val df = spark.read.parquet("path/to/files")
df.write.parquet("path/to/output")

5. 调整并行度：可以根据集群的资源情况和数据规模来调整并行度，以充分利用集群资源。可以通过设置spark.sql.shuffle.partitions属性来控制并行度。例如：

spark.conf.set("spark.sql.shuffle.partitions", 100)

通过上述方法，可以有效地优化Spark SQL的性能，减少不必要的开销，并提高查询效率。