大数据主流的计算框架是指用于处理和分析大规模数据集的技术和工具。这些框架通常具有以下特点：
1. 可扩展性：大数据计算框架需要能够处理大量的数据，并且随着数据量的增加，系统的性能不会下降。这通常通过使用分布式计算技术来实现，例如MapReduce、Spark等。
2. 容错性：大数据计算框架需要能够在出现故障时自动恢复，以确保数据的完整性和可用性。这通常通过使用分布式存储和计算技术来实现，例如Hadoop、Spark等。
3. 高性能：大数据计算框架需要能够快速处理大量数据，以便在实时或近实时环境中提供有用的信息。这通常通过使用优化的算法和技术来实现，例如Apache Spark、Apache Flink等。
4. 易用性：大数据计算框架需要易于使用，以便非专业用户也能够轻松地构建和运行数据分析应用程序。这通常通过提供友好的用户界面和文档来实现，例如Apache Hadoop、Apache Spark等。
5. 兼容性：大数据计算框架需要能够与其他数据处理和分析工具兼容，以便用户可以无缝地集成不同的数据源和分析方法。这通常通过提供API和中间件来实现，例如Apache Hive、Apache Pig等。
6. 可定制性：大数据计算框架需要允许用户根据特定需求进行定制，以满足特定的应用场景。这通常通过提供灵活的配置选项和插件系统来实现，例如Apache Spark、Apache Flink等。
主流的大数据计算框架包括：
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。它提供了HDFS（Hadoop Distributed File System）作为分布式文件系统，以及MapReduce作为处理大规模数据集的方法。Hadoop适用于大规模数据集的批处理和流处理。
2. Spark：Spark是一个基于内存的通用计算引擎，可以处理大规模的数据集。它提供了RDD（Resilient Distributed Dataset）作为分布式数据结构，以及Scala作为编程语言。Spark适用于大规模数据集的批处理和流处理。
3. Flink：Flink是一个开源的流处理框架，可以处理大规模的实时数据流。它提供了DataFrame作为分布式数据结构，以及Java作为编程语言。Flink适用于实时数据分析和流处理。
4. Kafka：Kafka是一个分布式消息队列平台，可以处理大规模的消息流。它提供了Producer和Consumer之间的通信机制，以及消息的持久化存储。Kafka适用于实时消息传递和流处理。
5. Storm：Storm是一个开源的实时数据处理框架，可以处理大规模的数据流。它提供了Spout和Bolt作为组件，以及Python作为编程语言。Storm适用于实时数据分析和流处理。
6. Apache NiFi：Apache NiFi是一个开源的数据管道框架，可以处理大规模的数据流。它提供了各种组件，如数据转换器、数据连接器和数据处理器，以实现数据的自动化处理和传输。NiFi适用于数据管道的设计和实现。
总之，主流的大数据计算框架包括Hadoop、Spark、Flink、Kafka、Storm和Apache NiFi等，它们各自具有不同的特点和优势，可以根据具体需求选择合适的框架来处理大规模数据集。
