大数据技术框架主要包括以下几种类型：
1. 数据仓库（Data Warehouse）：数据仓库是一个集中存储和管理大量历史数据的系统，它支持复杂的查询和分析，以便从历史数据中提取有价值的信息。数据仓库的特点是数据量大、结构复杂、查询性能要求高。常见的数据仓库技术有Hadoop HDFS、Amazon Redshift、Google BigQuery等。
2. 实时数据处理（Real-time Processing）：实时数据处理技术主要用于处理和分析实时产生的数据流，如社交媒体、传感器数据等。实时数据处理的特点包括低延迟、高吞吐量、高可用性和可扩展性。常见的实时数据处理技术有Apache Kafka、Apache Storm、Apache Flink等。
3. 流数据处理（Stream Processing）：流数据处理技术主要用于处理连续生成的、时间敏感的数据流，如网络流量、日志文件等。流数据处理的特点包括低延迟、高吞吐量、实时性、容错性和可扩展性。常见的流数据处理技术有Apache Kafka、Apache Storm、Apache Flink等。
4. 列式数据库（Columnar Database）：列式数据库是一种将数据以列的形式存储在磁盘上，而不是以行的形式存储在内存中的数据库。列式数据库的特点是数据量大、查询性能高、读写速度快。常见的列式数据库有Apache Cassandra、Google Spanner、Amazon DynamoDB等。
5. NoSQL数据库（NoSQL Database）：NoSQL数据库是一种非关系型数据库，它可以处理结构化和非结构化数据。NoSQL数据库的特点是灵活性高、可扩展性强、适用于海量数据存储。常见的NoSQL数据库有MongoDB、Cassandra、Redis等。
6. 图数据库（Graph Database）：图数据库是一种基于图结构的数据库，可以存储和查询实体之间的关系。图数据库的特点是数据模型灵活、查询性能高、适用于社交网络、推荐系统等领域。常见的图数据库有Neo4j、Apache TinkerPop、OrientDB等。
7. 分布式计算框架（Distributed Computing Framework）：分布式计算框架是一种用于构建分布式系统的技术，它可以将计算任务分配到多个节点上执行，以提高系统的可扩展性和性能。分布式计算框架的特点是高可用性、容错性、易于扩展。常见的分布式计算框架有Apache Hadoop、Apache Spark、Kubernetes等。
8. 机器学习平台（Machine Learning Platform）：机器学习平台是一种提供机器学习算法和工具的软件平台，可以帮助开发者快速实现机器学习应用。机器学习平台的特点是易用性、可扩展性、可定制性。常见的机器学习平台有TensorFlow、PyTorch、Scikit-learn等。
总之，大数据技术框架的类型和特点多种多样，每种技术都有其优势和适用场景。选择合适的技术框架需要根据具体的应用场景和需求进行综合考虑。
