大数据主流的计算框架有很多，以下是一些常见的框架：
1. Hadoop：Hadoop是一个开源的分布式计算框架，主要用于处理大规模数据集。它由HDFS（Hadoop Distributed File System）和MapReduce等组件组成。Hadoop适用于存储和处理海量数据，但性能相对较低。
2. Spark：Spark是一个快速、通用的计算引擎，主要用于处理大规模数据集。它基于内存计算，具有高吞吐量和低延迟的特点。Spark适用于实时数据分析和机器学习任务。
3. Flink：Flink是一个流处理框架，主要用于实时数据处理。它支持批处理和流处理两种方式，可以处理大规模的数据流。Flink适用于实时数据分析和流式应用开发。
4. Apache Storm：Apache Storm是一个分布式消息队列和流处理框架，主要用于处理大规模数据流。它支持多种编程语言，如Java、Scala、Python等。Storm适用于实时数据处理和微服务架构。
5. Apache Kafka：Apache Kafka是一个分布式发布/订阅消息系统，主要用于处理大规模数据流。Kafka具有高吞吐量和低延迟的特点，适用于实时数据处理和数据聚合。
6. Apache Nifi：Apache Nifi是一个数据流管道框架，主要用于数据清洗、转换和加载。Nifi支持多种数据源和目标，可以用于构建复杂的数据管道。
7. Apache Drill：Apache Drill是一个分布式查询引擎，主要用于处理大规模数据集。Drill具有高吞吐量和低延迟的特点，适用于实时数据分析和数据挖掘。
8. Apache Presto：Apache Presto是一个分布式SQL查询引擎，主要用于处理大规模数据集。Presto具有高性能和易用性的特点，适用于大规模数据仓库和分析。
9. Apache Hive：Apache Hive是一个数据仓库工具，主要用于数据查询和分析。Hive支持SQL查询和MapReduce编程模型，可以用于构建数据仓库和报表系统。
10. Apache Impala：Apache Impala是一个分布式SQL查询引擎，主要用于处理大规模数据集。Impala具有高性能和易用性的特点，适用于大数据分析和数据挖掘。
这些是大数据主流的计算框架，它们各有特点和适用场景。在实际使用中，可以根据项目需求和团队技能选择合适的框架进行开发和部署。
