什麼是文字挖掘 ？
　　文字挖掘是抽取有效、新穎、有用、可理解的、散佈在文字檔案中的有價值知識，並且利用這些知識更好地組織資訊的過程。
一、搭建語料庫
語料庫：要進行文字分析的所有文件的集合。

需要用到的模組：os、os.path、codecs、pandas
程式碼如下：

import os
import os.path
import codecs
import pandas

filePaths = []
for root, dirs, files in os.walk(
    r"C:\Users\www12\Desktop\data\2.1\SogouC.mini\Sample"
):
#使用os.walk()方法遍歷輸出一個資料夾下的所有檔名
 

1.os.walk()方法：

os.walk() 方法用於通過在目錄樹中游走輸出在目錄中的檔名，向上或者向下。
語法:
walk()方法語法格式如下：

os.walk(top[, topdown=True[, onerror=None[, followlinks=False]]])
引數:
> top – 是你所要遍歷的目錄的地址, 返回的是一個三元組(root,dirs,files)。

root 所指的是當前正在遍歷的這個資料夾的本身的地址 dirs 是一個 list ，內容是該資料夾中所有的目錄的名字(不包括子目錄)
files 同樣是 list , 內容是該資料夾中所有的檔名(不包括子目錄) topdown --可選，為 True，則優先遍歷 top
目錄，否則優先遍歷 top 的子目錄(預設為開啟)。如果 topdown 引數為 True，walk 會遍歷top資料夾，與top
資料夾中每一個子目錄。

onerror – 可選， 需要一個 callable 物件，當 walk 需要異常時，會呼叫。

followlinks – 可選， 如果為 True，則會遍歷目錄下的快捷方式(linux 下是 symbolic
link)實際所指的目錄(預設關閉)。

返回值:
該方法沒有返回值。

#os.path.join()方法拼接檔名返回所有檔案的路徑，並儲存在變數filePaths中
    for name in files:
        filePaths.append(os.path.join(root, name))

        f = codecs.open(filePath, 'r', 'utf-8')
        fileContent = f.read()
        f.close()
        fileContents.append(fileContent)
#codecs.open()方法開啟每個檔案，用檔案的read()方法依次讀取其中的文字，將所有文字內容依次儲存到變數fileContenst中，然後close()方法關閉檔案。
 

#建立資料框corpos，新增filePaths和fileContents兩個變數作為陣列
corpos = pandas.DataFrame({
    'filePath': filePaths, 
    'fileContent': fileContents})

這個資料框就是我們要進行文字分析的語料庫了。
如圖：