在AWS Sagemaker中使用BlazingText进行多个训练文件的训练，可以按照以下步骤进行：

1. 准备数据集：将多个训练文件组织成一个或多个文件夹，每个文件夹包含一个或多个训练文件。确保每个训练文件的格式符合BlazingText的输入要求。

2. 创建训练作业：使用Sagemaker的Python SDK创建一个训练作业。以下是一个示例代码：

import sagemaker
from sagemaker import get_execution_role
from sagemaker.amazon.amazon_estimator import get_image_uri

# 设置Sagemaker角色
role = get_execution_role()

# 设置Sagemaker会话和区域
sagemaker_session = sagemaker.Session()
region = sagemaker_session.boto_region_name

# 获取BlazingText算法镜像
container = get_image_uri(region, 'blazingtext', 'latest')

# 设置训练输入路径
train_data = 's3://your-bucket/train_data_folder'

# 创建训练作业
bt = sagemaker.estimator.Estimator(container,
                                   role,
                                   train_instance_count=1,
                                   train_instance_type='ml.c4.2xlarge',
                                   train_volume_size=30,
                                   train_max_run=360000,
                                   input_mode='File',
                                   output_path='s3://your-bucket/output',
                                   sagemaker_session=sagemaker_session)

# 设置BlazingText算法超参数
bt.set_hyperparameters(mode='supervised',
                       epochs=10,
                       learning_rate=0.01,
                       min_count=2,
                       vector_dim=10)

# 设置训练数据路径
bt.fit({'train': train_data})

在上面的代码中，train_data变量指定了训练数据的S3路径，可以是一个文件夹包含多个训练文件。bt.fit()方法用于启动训练作业。

3. 启动训练作业：运行上述代码后，将会启动一个Sagemaker训练作业。Sagemaker将会自动下载BlazingText算法容器、训练数据，并在指定的训练实例上执行训练。

4. 查看训练结果：训练作业完成后，训练结果将会保存在指定的输出路径中。可以通过Sagemaker控制台或者AWS SDK来查看和下载训练结果。

以上就是使用AWS Sagemaker BlazingText进行多个训练文件训练的解决方法。根据实际情况，你可能需要调整算法超参数、训练实例类型等。