为了设置Boll参数并确保结果中不出现政治、seqing、db和暴力等内容，可以采取以下步骤：

1. 数据过滤：首先，需要筛选和收集相关数据。可以使用数据爬虫或从可靠的数据源获取数据。确保数据源具有良好的信誉和可靠性。

2. 文本分类：对收集到的文本数据进行分类，将其分为不同的类别。可以使用机器学习算法如朴素贝叶斯、支持向量机等进行文本分类。

3. 特征提取：从文本中提取特征，如词袋模型、TF-IDF等。这些特征将用于训练模型。

4. 构建模型：使用分类算法构建模型，以将文本分类为政治、seqing、db、暴力和其他类别。常见的算法包括朴素贝叶斯、支持向量机、逻辑回归等。

5. 训练模型：将提取的特征和标记好的数据输入到模型中进行训练。使用训练数据集进行模型训练，并使用验证数据集进行模型调优和参数选择。

6. 参数设置：在训练模型过程中，可以调整模型的参数以提高分类准确度和避免出现政治、seqing、db和暴力等内容。具体的参数设置取决于所选择的算法和具体的需求。

7. 模型评估：使用测试数据集对训练好的模型进行评估。评估指标可以包括准确率、召回率、F1值等。根据评估结果，可以进一步调整模型参数以获得更好的效果。

8. 实时检测：将训练好的模型部署到实时系统中，对输入的文本进行分类预测。根据模型预测的结果，可以进行进一步的处理，如过滤、删除或标记有问题的文本。

请注意，上述步骤仅是一般的指导，具体实施需要根据实际情况进行调整和优化。同时，模型的准确性可能受到数据质量、特征提取的效果和算法选择的影响，需要不断地迭代和改进。