假设用户不断输入文本(每一行包含若干单词，单词之间以空格分隔)。请编写Spark程序分别完成如下统计： 实时统计每10s内出现的单词数量（每10s统计1次）； 实时统计最近30s内每个单词的出现次数（每10s统计1次）； 实时统计每个单词的累积出现次数，并将结果保存到HDFS文件或(本地文件)（每10s统计1次）

好的，这是一个典型的Spark流处理的场景。下面是一个基本的Spark流处理程序，可以实现上述三个统计功能：

from pyspark import SparkContext
from pyspark.streaming import StreamingContext

# 创建一个本地SparkContext
sc = SparkContext("local[2]", "WordCount")

# 创建一个StreamingContext，每10秒处理一次
ssc = StreamingContext(sc, 10)

# 创建一个DStream，从TCP Socket读取数据
lines = ssc.socketTextStream("localhost", 9999)

# 统计每10秒内出现的单词数量
words_count = lines.flatMap(lambda line: line.split(" ")).countByWindow(10, 10)
words_count.pprint()

# 统计最近30秒内每个单词的出现次数
words_window = lines.flatMap(lambda line: line.split(" ")).window(30, 10)
words_count_window = words_window.countByValue()
words_count_window.pprint()

# 统计每个单词的累积出现次数，并将结果保存到HDFS文件或本地文件
words_total_count = lines.flatMap(lambda line: line.split(" ")).updateStateByKey(lambda values, total: sum(values) + (total or 0))
words_total_count.pprint()

# 启动StreamingContext
ssc.start()

# 等待程序终止
ssc.awaitTermination()

在程序中，我们首先创建了一个本地SparkContext，并使用它创建了一个StreamingContext，指定每10秒处理一次。然后，我们从TCP Socket读取数据，创建了一个DStream对象。接下来，我们使用`countByWindow`算子和`window`算子分别实现了前两个统计任务，使用`updateStateByKey`算子实现了第三个统计任务，并将结果打印出来。最后，我们启动StreamingContext，等待程序终止。

需要注意的是，这个程序只是一个基本的实现，还有很多细节需要根据实际情况进行调整，比如输入数据的格式、输出结果的保存方式等等。