Přípravné kroky před zpřístupněním jazykového ↗korpusu. Jejich konkrétní náplň se liší zejména podle ↗typu korpusu, obecně však lze vyčlenit následujících 6 fází, z nichž ne všechny jsou nezbytné (srov. ✍Wynne, 2005; pro ↗ČNK srov. ✍Kocek & Kopřivová ad., 2000:19–34, n. nověji ✍Křen, 2012:34–43):

1. Akvizice, vlastní získání textu. Není‑li text již v elektronické podobě, patří sem i skenování včetně případných korektur; v případě ↗mluvených korpusů jde o pořízení nahrávky. Součástí akvizice bývá také získání souhlasu s použitím textu či nahrávky pro jazykovědné účely. V případě ↗webových korpusů (viz např. ✍Baroni & Kilgarriff ad., 2006; ✍Baroni & Bernardini ad., 2009; ✍Spoustová & Spousta, 2012) jde o automatické stažení (crawl) webových stránek s texty; jejich výběr je zpravidla určen seznamem relevantních adres (URL) n. klíčových slov.

2. Konverze, převod do potřebného formátu spojený většinou s čištěním. Cílem konverze je především standardizace, sjednocení nejrůznějších vstupních formátů do jediného, kterým je zpravidla ↗XML (viz také ↗značkovací jazyky). Součástí konverze je zmíněné čištění, tj. odstranění částí netextového charakteru (obrázků, grafů atd.), poté většinou následuje řada dalších (polo)automatických čistících procedur: detekce a odstraňování duplicit, částí textu psaných cizím jaz. n. takových, které obsahují velké množství čísel, tabulek, seznamů apod.; obecně jde o části textu, jejichž přítomnost v korpusu by byla spíše kontraproduktivní. Jejich součástí mohou být také opravy některých chyb způsobených sazbou (dělení slov) n. nevhodným technickým zpracováním, které nebyly záměrem autora. V případě mluvených korpusů lze za konverzi považovat přepis nahrávky; pro zajištění kvality přepisu je žádoucí, aby prošel několika nezávislými kontrolami.

Je tedy vidět, že ačkoli by korpus měl v ideálním případě původní texty přebírat v nezměněné podobě, je často z praktických důvodů žádoucí přistoupit k jejich úpravám. Ty jsou zvlášť důležité v případě webových korpusů; u nich však bývají čistící procedury použity jednotným způsobem na celý materiál, takže nemají přesnost cílených procedur používaných při přípravě korpusů tradičních, kdy je možné volit různé metody i jejich parametrizaci v závislosti na zdroji dat (✍Křen, 2009).

3. Vnější anotace, přidání informací o textech a autorech (mluvčích) ve formě ↗metadat (bibliografických, sociolingvistických aj.). Vnější anotace bývá nedostatečná u webových korpusů, uváděno je zpravidla pouze URL.

4. Vnitřní anotace, přidání lingvistické interpretace ke slovním tvarům v textu. Vnitřní anotace představuje dodatečnou informaci, která nijak nemění původní text, a přitom rozšiřuje možnosti využití korpusových dat. Jde zejména o ↗lemmatizaci, ↗tag (morfosyntaktické značkování), a případně také ↗parsing; u ↗paralelních korpusů je nezbytné zarovnání celků (zpravidla vět), které si v jednotlivých jaz. odpovídají.

5. Selekce, výběr textů do korpusu. Dochází k ní u reprezentativních a vyvážených korpusů (viz ↗reprezentativnost korpusu), kdy je potřeba dodržet celkové zastoupení jednotlivých variet. Provádí se buď na závěr jako výběr z celého shromážděného materiálu, n. průběžně již při jeho získávání; to je žádoucí, zejména je‑li korpus sestavován z obtížně dostupných, cenných dat (✍Křen & Waclawičová, 2011).

6. Indexace, technický převod textů do zaindexované podoby. Jde o formát vytvářený většinou korpusových manažerů (↗korpusový a lingvistický software), nezbytný pro rychlé vyhledávání ve velkých souborech dat.