要判断一个内容是否包含政治、seqing、db和暴力等内容，可以采取以下步骤：

1. 收集分类标签：首先，需要建立一个包含政治、seqing、db和暴力等标签的分类库。这些标签可以是预定义的，也可以通过人工标注的方式逐步构建。

2. 数据预处理：对待判断的内容进行预处理，包括文本清洗、分词、去除特殊字符和标点符号等。这样可以使文本更易于处理和理解。

3. 特征提取：从预处理后的文本中提取特征。可以使用基于统计的方法，如词频、TF-IDF值等，也可以使用文本向量化技术，如词嵌入（Word Embedding）等。

4. 构建分类模型：使用机器学习或深度学习的方法构建分类模型。可以选择常见的分类算法，如朴素贝叶斯、支持向量机（SVM）、决策树、随机森林等，也可以使用深度学习模型，如循环神经网络（RNN）、卷积神经网络（CNN）等。

5. 数据标注：使用已有的分类库对一部分数据进行人工标注，得到其对应的分类标签。这些标注数据可以用于训练分类模型，提高模型的准确性和鲁棒性。

6. 模型训练和验证：使用标注数据对分类模型进行训练，并使用验证集进行模型的评估和调优。可以使用交叉验证等技术来充分利用有限的数据。

7. 模型应用：对待判断的内容使用训练好的分类模型进行预测。模型会根据提取的特征和训练得到的权重，给出内容所属的分类标签。根据需要，可以设置阈值来判断在哪个区间。

8. 结果过滤：根据分类模型的输出结果，将包含政治、seqing、db和暴力等内容的文本进行过滤或者进行处理。可以将这些文本直接删除或进行标记，以便后续的处理和控制。

需要注意的是，以上步骤是一个基本的框架，具体实现会受到数据集、实际应用场景和算法选择等因素的影响。此外，由于内容的多样性和变化性，无法保证100%准确判断，在实际应用中还需要不断优化和改善分类模型，提高判断的精准度和鲁棒性。