自建语料库通常涉及以下步骤：
收集文本文件
确定语料库的来源，可以是网络爬虫抓取、手动收集或从其他数据源导入。
组织文件结构
遍历文件夹
使用Python的`os`模块遍历文件夹，找到所有的文本文件。
读取文本内容
使用`codecs`模块打开每个文本文件，并读取其内容。
处理文本内容
根据需要，对文本内容进行处理，如分词、去除停用词等。
存储文本内容
将处理后的文本内容存储在合适的数据结构中，如列表或数据库。
构建语料库
将所有文本内容整合成一个完整的语料库，可以是一个列表或数据库。
```python
import os
import codecs
def create_corpus（file_path）:
file_paths = []
file_contents = []
for root, dirs, files in os.walk（file_path）:
for name in files:
file_path = os.path.join（root, name）
file_paths.append（file_path）
with codecs.open（file_path, 'r', 'utf-8'） as f:
file_content = f.read（）
file_contents.append（file_content）
return file_paths, file_contents
使用示例
corpus_path = 'path/to/your/corpus'
file_paths, file_contents = create_corpus（corpus_path）
print（file_paths）
print（file_contents） 打印第一个文件的内容
请注意，上述代码仅适用于读取和存储文本内容，实际应用中可能需要更复杂的文本处理步骤。另外，如果你需要使用NLTK库来构建语料库，可以使用`nltk.corpus.reader.plaintext.PlaintextCorpusReader`类，如下所示：```pythonfrom nltk.corpus.reader.plaintext import PlaintextCorpusReader
corpusdir = 'path/to/your/corpus'
newcorpus = PlaintextCorpusReader（corpusdir, '.*'）
使用newcorpus来访问语料库中的文档
请根据你的具体需求调整代码。