在选择中文文本中的指标时，可以考虑以下几个方面来确保结果中不出现政治、seqing、db和暴力等内容：

1. 文本分类指标：可以使用文本分类模型来判断文本是否属于政治、seqing、db和暴力等类别。常见的分类模型包括朴素贝叶斯、支持向量机（SVM）和深度学习模型（如卷积神经网络CNN、长短期记忆网络LSTM等）。通过训练这些模型，可以将输入的文本进行分类，从而筛选出不符合要求的文本。

2. 敏感词过滤指标：可以使用敏感词库来过滤文本中的敏感词汇。敏感词库中包含了政治、seqing、db和暴力等相关词汇，通过匹配文本中的词汇，可以判断文本是否包含敏感内容。可以使用基于规则的方法（如正则表达式）或者基于机器学习的方法（如文本匹配模型）来实现敏感词过滤。

3. NER指标：命名实体识别（Named Entity Recognition，NER）是一种将文本中的实体（如人名、地名、组织名等）识别出来的技术。可以使用NER模型来识别文本中的实体，并根据实体的类型来判断是否属于政治、seqing、db和暴力等内容。常见的NER模型包括条件随机场（CRF）、循环神经网络（RNN）和BERT等。

4. 主题模型指标：主题模型可以将文本中的内容归类到不同的主题中。可以通过训练主题模型，将政治、seqing、db和暴力等内容所属的主题识别出来，并筛选掉这些主题相关的文本。常见的主题模型包括Latent Dirichlet Allocation（LDA）和隐含狄利克雷分布（HDP）等。

综上所述，可以根据需求选择适当的指标来判断文本是否包含政治、seqing、db和暴力等内容，并进行相应的处理和过滤。不同指标的组合使用可以提高准确性和鲁棒性。